38 3 114 1 10 20170217

Temas Selectos de Geomática: métodos y aplicaciones
José Antonio Quintero Pérez

(Coordinador)
México, 2012
Temas selectos geomática: métodos y aplicaciones / coord. José Antonio Quintero
Pérez.--México, UNAM, Instituto de Geografía, 2012.
280 p.; il.; 22 cm. (Geografía para el Siglo xxi, Serie Libros de investigación, 10)
Incluye bibliografías
ISBN 970-32-2976-X
ISBN 978-607-02-3785-0
1. Geomática 2. Imágenes de satélite 3. Fotografías aéreas. I. t., II. UNAM, Instituto

de Geografía, III. Serie.
Temas Selectos de Geomática: métodos y aplicaciones
Primera edición, octubre 2012
D.R . © 2012 Universidad Nacional Autónoma de México
Ciudad Universitaria
Coyoacán, 04510
México, D. F.
Instituto de Geografía
www.unam.mx
www.igeograf.unam.mx
Prohibida la reproducción parcial o total

por cualquier medio, sin la autorización escrita
del titular de los derechos patrimoniales.
La presente publicación presenta los resultados de una investigación científica y contó

con dictámenes de expertos externos, de acuerdo con las normas editoriales del Institu-
to de Geografía.
Geografía para el siglo XXI (Obra general)

Serie Libros de investigación
ISBN: 970-32-2976-X
ISBN: 978-607-02-3785-0
Impreso y hecho en México

Contenido
Presentación……………………………………………………………………… 9
José Omar Moncada Maya
Introducción……………………………………………………………………11
Capítulo 1. Mosaicos ortorectificados generados a partir…………………… 15

de fotografías aéreas digitales de pequeño formato
Jorge Prado Molina y Armando Peralta Higuera
Capítulo 2. Evaluación práctica y teórica de los modelos……………………… 47

de regresión logística múltiple y cartográfica-hidrológica
para la predicción de deslizamientos de tierra
Gabriel Legorreta Paulín, Marcus Bursik,
Fernando Aceves Quesada, Luis Mario Paredes Mejía,
José Lugo Hubp, Irasema Alcántara Ayala
y José López García
Capítulo 3. Aplicaciones oceanográficas de las imágenes…………………… 77

satelitales NOAA-AVHRR y SeaStar (Orbwiew-2)-SeaWiFS
en los mares mexicanos
Olivia Salmerón García
Capítulo 4. Utilización de imágenes aéreas digitales………………………… 91

de alta resolución en la evaluación de recursos naturales
Jorge Prado Molina, Armando Peralta Higuera y José López García
Capítulo 5. Distribución de aves rapaces…………………………………… 115
en Los Tuxtlas: un acercamiento espacio-estadístico
José Antonio Quintero Pérez y Ana Rosa Rosales Tapia
Capítulo 6. Aplicación del software FROG_V2……………………………… 151

en el análisis fractal del espacio geográfico
Jean-François Parrot
Capítulo 7. Reconocimiento automatizado de las zonas…………………… 183

de encharcamiento a partir de un Modelo Digital de Elevación.
Ejemplo de la zona urbana de Valle de Chalco, México
Carolina Ramírez Núñez y Jean-François Parrot
Capítulo 8. Reconstitución tridimensional de un paleo-relieve.…………… 197

Aplicación al estudio del talud gravitacional “La Galera”
en el municipio de Tlatlauquitepec, Sierra Norte de Puebla, México
Verónica Ochoa Tejeda
Capítulo 9. Análisis de cambios con fotografías…………………………… 217

aéreas digitales e imágenes de satélite Spot5 en la Reserva
de la Biósfera Mariposa Monarca
José López García
Capítulo 10. Ajustes del algoritmo AQM2008……………………………… 231

para identificación de áreas quemadas usando imágenes MODIS
Lilia Manzo Delgado
Capítulo 11. Observaciones satelitales e in situ de un evento……………… 245

de marea roja en la Bahía de Navachiste, Sinaloa, México
Raúl Aguirre Gómez, Aída Martínez López y Diana C. Escobedo Urías
Bibliografía…………………………………………………………………… 257
Presentación
Para el Instituto de Geografía de la UNAM es muy satisfactorio presentar este

segundo libro sobre un tema tan atractivo para los profesionales de la geogra-
fía, como de otras disciplinas, como es Temas Selectos de Geomática: métodos y
aplicaciones. La importancia que ha adquirido este relativamente nuevo campo
del conocimiento es cada vez mayor, dado el impacto que tiene en ámbitos tan
diversos, como puede ser su aplicación en el estudio del relieve, los océanos o los
incendios forestales.
Si en el primer libro, Conceptos de Geomática y estudios de caso en México,
coordinado por Raúl Aguirre (2009), se incluyeron aspectos históricos y teóricos
del desarrollo de esta disciplina en nuestro país, este segundo libro muestra algu-
nos ejemplos de sus aplicaciones, tanto en la UNAM como en otras instituciones.
Las aplicaciones que se muestran a través de los textos que conforman el
libro son solo ejemplos de la gran diversidad que se ha alcanzado dentro de las
investigaciones que se realizan en nuestra dependencia, particularmente en el La-
boratorio de Análisis GeoEspacial. Pero por otra parte, son también reflejo de las
relaciones que se han establecido entre los investigadores de las ciencias sociales
o naturales con estas nuevas técnicas de investigación. Así lo muestra el hecho
de que varios de los capítulos han sido elaborados en coautoría con académicos
de otras instituciones, como son Marcus Busik, profesor de la State University
of New York, Verónica Ochoa de la Universidad de Estrasburgo y Aída López y
Diana Cecilia Escobedo del Instituto Politécnico Nacional.
La obra, en su conjunto, abre posibilidades a que en un futuro cercano se
puedan incluir nuevas aplicaciones en el ámbito de las actividades sociales y eco-
nómicas, como pudieran ser la agricultura, los aspectos urbanos o los cambios
de uso del suelo.
Mi reconocimiento a los autores que aceptaron colaborar en esta obra, y
muy en especial al coordinador de la misma, Mtro. José Antonio Quintero, por
el trabajo realizado.
Dr. José Omar Moncada Maya

Introducción
Este libro emerge como consecuencia de su predecesor (Aguirre, 2009)1 y de la

necesidad de continuar avanzando en el desarrollo de la geomática con métodos
y aplicaciones tanto clásicas como alternativas que contribuyan al entendimiento
de las actividades humanas, ambientales y las combinaciones de éstas desde sus
principios básicos: matemáticas, física, filosofía y geografía. Estas cuatro discipli-
nas nos dan el concepto de espacio que actualmente se maneja de una manera
cognitiva y hoy en día se sustenta en herramientas como las tecnologías de la
información geográfica, sensores remotos, sistemas de posicionamiento, y dis-
ciplinas como geodesia y gravimetría, entre otras, que nos permiten estudiar y
describir el espacio geográfico.
El término “geomática” nace en Canadá en 1969 acuñado por Français
Bernard Dubuisson, quien se dedicaba a la fotogrametría y agrimensura. Si se
descompone la palabra en sus raíces tenemos geo (Tierra) y matica (informática)
lo cual nos lleva al estudio de la Tierra por medio de la reciente inventada com-
putadora. Para finales de la década de los sesenta el uso de las computadoras no
era algo popular pero comenzaban a “automatizar” de entre otras cosas la carto-
grafía, recordemos que a principios de esta década, en 1963, en este país Roger
Tomlinson acuña el nombre de “sistemas de información geográfica” quien ya
hacía uso de los primeros sistemas de cómputo aplicados a la geografía. La geo-
mática comienza a tomar fuerza hasta que en 1985 se crea la carrera como una
ciencia en la Universidad de Laval en Québec y desde aquí comienza a extenderse
a los países anglosajones con este nombre, para adoptarlo más tarde en el resto
del mundo como geoinformática.
Dar una definición de geomática, tal y como se planteó en el primer libro,
es un tanto cuanto complicado ya que definiciones hay como autores en la ma-
teria existen, quienes le agregan o quitan elementos del enunciado original de
acuerdo con lo que el investigador se dedique, su formación, época y contexto en
1Aguirre Gómez, R. (coord.; 2009), Conceptos de Geomática y estudios de caso en México,

Geografía para el siglo XXI, Serie Libros de Investigación, núm. 5, Instituto de Geografía,
UNAM, México.
12 . José Antonio Quintero Pérez
el que esté envuelto, pero se puede citar la primera definición con la que Bernard
Dubuisson acuñó el término: “es una disciplina que tiene por objeto la adminis-
tración y estructuración de los datos con referencia espacial e integra las ciencias
y las tecnologías ligadas al almacenamiento, el tratamiento y la difusión de esta”.
En el primer libro de geomática se tocaron aspectos teóricos e históricos
con algunos ejemplos en torno a los sistemas de información geográfica (SIG),
percepción remota (PR) y sistemas de posicionamiento global o GPS (por sus si-
glas en inglés), así como aplicaciones de los modelos digitales de terreno (MDT),
evaluación multi-criterio (EMC), abarcando temas biofísicos y socioeconómicos
desde el ordenamiento territorial hasta riesgos. En este segundo libro se presen-
tan métodos y aplicaciones que van desde el análisis espacial geoestadístico hasta
la dimensión fractal, pasando por redes neuronales, ensayos híbridos en trabajos
que involucran imágenes de alta resolución, adaptación y diseño de algoritmos
tanto en ambientes terrestres como marinos.
El capítulo de Prado y Peralta “Mosaicos ortorectificados generados a partir
de fotografías aéreas digitales de pequeño formato” nos describe el procedimiento
para la creación de mosaicos con imágenes de alta resolución espacial. Este tra-
bajo hace una descripción detallada de los procesos que involucra la utilización
de cámaras digitales de pequeño formato y sus ventajas frente a técnicas tradi-
cionales de fotografía aérea comenzando por la calibración de los instrumentos,
terminando con los puntos de control.
En el capítulo de Legorreta y colaboradores “Evaluación práctica y teórica
de los modelos de regresión logística múltiple y cartográfica-hidrológica para la
predicción de deslizamientos de tierra”, se nos habla de la predicción de poten-
ciales deslizamientos de tierra con la integración de dos modelos, el Stability
Index Mapping y regresión logística múltiple en un análisis de redes neuronales.
Este trabajo bajo condiciones naturales es contrastado con condiciones teóricas
para hacer un balance entre las ventajas y las limitaciones de cada modelo con un
ejemplo al norte del estado de California, Estados Unidos.
En el capítulo de Salmerón “Aplicaciones oceanográficas de las imágenes sa-
telitales NOAA-AVHRR y SeaStar (Orbwiew-2)-SeaWiFS en los mares mexicanos”,
se hace un repaso de los principios básicos de la percepción remota enfocándose
en oceanografía con el sensor AVHRR y SeaWiFS, mencionando algunos estudios
en México donde se han utilizado éstos en el análisis de la dinámica de la tem-
peratura superficial del mar y la concentración de clorofila a y sus implicaciones.
El capítulo de Prado y López, “Utilización de imágenes aéreas digitales de
alta resolución en la evaluación de recursos naturales”, habla de cómo evaluar
recursos naturales con imágenes de alta resolución. Muestra el potencial para
Introducción . 13
resaltar algunos de los aspectos más importantes de la vegetación, como la clasifi-

cación de árboles de manera individual, lo que permite cuantificar su diversidad
e identificar especies espacial y temporalmente.
El capítulo de Quintero y Rosales: “Distribución de aves rapaces en Los
Tuxtlas: un acercamiento espacio-estadístico” presenta un estudio sobre la distri-
bución espacial de aves de presa en el sur de Veracruz. Con la ayuda de una ima-
gen del satélite Landsat, un sistema de información geográfica y métodos estadís-
ticos bajo interpretación espacial, se da una explicación al patrón de distribución
y sus relaciones con el espacio físico-biológico del área en estudio tomando en
cuenta la etología de estas aves.
El capítulo de Parrot: “Aplicación del software FROG_V2 en el análisis frac-
tal del espacio geográfico”, presenta las nuevas herramientas que se integran al
programa FROG v. 2.0 para medir la dimensión fractal. Este programa nos ofrece
caracterizar el espacio geográfico tomando en cuenta sus dimisiones, partiendo
de una geometría Euclidiana. También se nos da una visión de la morfología
matemática y el reconocimiento de patrones pasando por el exponente de Hurst
para el estudio de la rugosidad, terminando con la extracción de rasgos urbanos
de la ciudad de Acapulco.
El capítulo de Ramírez y Parrot: “Reconocimiento automatizado de las zo-
nas de encharcamiento a partir de un Modelo Digital de Elevación. Ejemplo de la
zona urbana de Valle de Chalco, México”, muestra la capacidad de respuesta de un
modelo digital de terreno en las ciencias ambientales. Brinda un ejemplo en el
valle de Chalco que corresponde con una de las zonas de mayor hundimiento en
la Cuenca de México y por ende sus inundaciones, mediante el desarrollo de un
algoritmo llamado charco que extrae las depresiones en el modelo.
El capítulo de Ochoa: “Reconstitución tridimensional de un paleo-relieve.
Aplicación al estudio del talud gravitacional “La Galera” en el municipio de Tlatlau-
quitepec, Sierra Norte de Puebla, México”, nos habla de simulaciones tridimensio-
nales para el estudio morfogenético reconstruyendo un antiguo paisaje en la Sierra
Norte de Puebla. Aborda el proceso de remoción en masa comparando y evaluando
las tasas de crecimiento de los relieves utilizando modelos numéricos de terreno con
la propuesta de un algoritmo, ayudándose con percepción remota y estereoscopía.
El capítulo de López: “Análisis de cambios con fotografías aéreas digitales e
imágenes de satélite SPOT-5 en la Reserva de la Biósfera Mariposa Monarca”, brin-
da una continuación del trabajo publicado en el primer libro sobre los cambios en
la cobertura forestal en la Reserva de la Biósfera Mariposa Monarca. En el primer
trabajo se hizo un análisis de esta área en los años 2003, 2005 y 2006 con fotografías
aéreas digitales, mientras que en este trabajo se concibe una metodología híbrida
14 . José Antonio Quintero Pérez
entre las fotografías aéreas y el uso de imágenes del satélite SPOT-5 para el periodo
2006-2007, consiguiendo con esto mayor precisión en la identificación de cambios.
El capítulo de Manzo, “Ajustes del algoritmo AQM2008 para identificación
de áreas quemadas usando imágenes MODIS”, presenta un algoritmo aplicado
a imágenes MODIS en el sureste de México para aéreas quemadas en 2008. La
autora hace una evaluación de su trabajo comparando MODIS con imágenes de
mayor resolución espacial utilizando los satélites SPOT y LandSat, dándonos un
panorama de la importancia de la detección de incendios y las consideraciones
para su estudio y extrapolación a otras áreas del país.
En el capítulo de Aguirre et al., “Observaciones satelitales e in situ de un
evento de marea roja en la Bahía de Navachiste, Sinaloa, México”, se describe
un evento de marea roja en las costas de Sinaloa con la ayuda de los sensores
AVHRR y SeaWiFS. Con el trabajo de campo de cuatro cruceros para muestrear
y observaciones satelitales, se describen los factores físicos y biológicos que pue-
den influir en la presencia de varias especies de dinoflagelados que provocan
esta marea.
El libro que ahora se publica, es resultado de la colaboración y el trabajo de
todos los autores que contribuyeron a su creación; gracias por su originalidad y el
tiempo que le dedicaron ya que esta publicación no existiría sin ellos.
Se agradece la colaboración de la M. en G. Ana Rosa Rosales Tapia en las
diversas tareas que implica coordinar un libro, desde su organización hasta el
respaldo de los capítulos.
El reconocimiento a los dictaminadores anónimos de todos los capítulos por
su trabajo y comentarios que indudablemente mejoraron el contenido.
Gracias a la Dra. Irasema Alcántara Ayala, tanto por su participación en el
libro, como por el apoyo para esta obra durante su gestión como directora del
Instituto de Geografía de la UNAM.
Gracias al Dr. José Omar Moncada Maya por su apoyo e impulso final para
la publicación de este libro en su papel de actual director del Instituto de Geo-
grafía de la UNAM.
Por último, gracias a la sección editorial del Instituto de Geografía de la
UNAM por su labor para sacar adelante este segundo libro de Geomática.
Sirva éste como un aporte más de la UNAM para la adquisición o el forta-
lecimiento de una cultura geoespacial, así como en nuevos conocimientos en el
campo de la Geografía.

Coordinador
abril de 2012
Capítulo 1. Mosaicos ortorectificados
generados a partir de fotografías aéreas digitales
de pequeño formato
Jorge Prado Molina
Armando Peralta Higuera
Laboratorio de Análisis Geoespacial, Instituto de Geografía
Universidad Nacional Autónoma de México
Introducción
Las cámaras digitales de formato pequeño tienen el tamaño equivalente a una pe-
lícula de 35 mm, y se les llama así para distinguirlas de los equipos aerofotográfi-
cos convencionales que utilizan negativos de 23 x 23 cm. Estas cámaras hacen su
aparición alrededor de 1995 y su característica principal es que están equipadas
con sensores electrónicos de estado sólido CCD (Charged-Coupled Device: Dispo-
sitivo de carga acoplada), y que de inmediato fueron introducidas a las tareas de
teledetección (Mills et al., 1996). Aunque años antes ya se habían utilizado estos
mismos sensores en la adquisición de imágenes de video multiespectral (Everitt y
Escobar, 1995; King, 1992), sin embargo, la baja resolución del video convencio-
nal fue una limitante que evitó que este tipo de imágenes se utilizara de manera
extendida, caso contrario a lo que ocurrió con la fotografía digital.
En los últimos años, el uso de imágenes aéreas digitales de alta resolución,
obtenidas a partir de cámaras de formato pequeño, ha adquirido gran importancia
en la solución de varios problemas, especialmente en la evaluación de recursos
naturales (Carranza et al., 2003; Key et al., 2001; Peralta et al., 2003; Pouliot y
King, 2005; Prado y Peralta, 2005; Prado et al., 2007; Wulder et al., 2004; WWF,
2009). Estas imágenes representan ventajas significativas en comparación con
aquéllas obtenidas desde plataformas satelitales, debido a las características ya
señaladas, además de su disponibilidad casi inmediata después del vuelo.
Para el análisis de una zona amplia del territorio, es necesario contar con un
cubrimiento fotográfico que permita la formación de un mosaico. Sin embargo,
se deben corregir todas las distorsiones ocurridas durante la obtención de cada
16 . Jorge Prado Molina y Armando Peralta Higuera
Figura 1. Un ejemplo de la calidad y resolución que ofrecen las fotografías aéreas digitales de pequeño formato. A la izquierda se mues-
tra la imagen en color y a la derecha un compuesto de bandas: verde, roja e infrarroja.
Mosaicos ortorectificados generados a partir de fotografías aéreas digitales de pequeño formato . 17
una de las imágenes para lograr una representación plana de la superficie y tener
una escala uniforme a lo largo de todo el mosaico. De esta manera se hablaría de
la generación de mosaicos ortorectificados, que cuentan con la calidad pictórica
de la fotografía y la precisión de un mapa, siendo material muy valioso para una
gran variedad de estudios geoespaciales.
Las distorsiones en las imágenes aéreas se deben a tres causas principales: al
diseño intrínseco de los lentes de las cámaras y al proceso de ensamblado de las
mismas, a la distancia variable entre la aeronave y la superficie terrestre (distor-
sión por relieve) y, por último, a las desviaciones en tres ejes que sufre la aeronave
debido a irregularidades en el vuelo.
El sistema de lentes de la cámara introduce una deformación al momento de
adquirir las imágenes; que generalmente es radial simétrica, aunque también pue-
de ser descentrada o una combinación de ambas. Dichas deformaciones son mo-
deladas durante el proceso de calibración, mismo que se explicará más adelante.
De él se obtienen: la distancia focal calibrada, la localización del punto principal
y la distorsión del lente, a estos tres parámetros se les conoce como elementos de
orientación interna. Los desplazamientos por relieve se deben a las diferencias
de altura entre una zona plana del terreno y las montañas. Éstas aparentan un
mayor tamaño, debido a que se encuentran más cerca de la cámara. Para corregir
este efecto y que el mapa final tenga la misma escala en toda su extensión, es ne-
cesario utilizar un modelo digital de elevación. Finalmente, como la aeronave su-
fre movimientos y giros aleatorios durante la campaña aérea, las imágenes no son
estrictamente verticales, por tanto, es necesario conocer los ángulos de rotación
del sensor de imagen durante cada toma. Si además se adquiere la coordenada
geográfica del centro de cada imagen, se tendrá información sobre su posición en
la Tierra (georreferencia). A estos parámetros (las coordenadas del centro de toma
y los ángulos de rotación) se les conoce como elementos de orientación externa.
Todos los factores involucrados en las distorsiones pueden ser corregidos
si los parámetros de cada etapa pueden ser determinados. Para lograr esto, es
necesario entonces obtener los elementos de orientación interna y externa, al me-
nos tres puntos de control terrestre por imagen, así como un modelo digital de
elevación. Toda esta información es relevante para reconstruir las características
geométricas (posición y orientación) del momento exacto de la toma con res-
pecto a un sistema de ejes terrestre en tres dimensiones y así poder corregir las
distorsiones y obtener imágenes con características métricas. A partir de ellas se
obtienen los mosaicos ortorectificados que, como todo mapa, tienen un determi-
nado error. Lo importante es considerar su magnitud, para saber cuáles son las
limitaciones de su utilización.
A lo largo de este capítulo se describen algunas técnicas fotogramétricas

convencionales que fueron adaptadas, como aquéllas que logran la calibración de
las cámaras y la corrección geométrica de las imágenes (Prado et al., 2003), pasos
necesarios paro obtener los mosaicos ortorectificados.
Imágenes multiespectrales
Una imagen multiespectral está formada por diferentes bandas de datos o mul-
ticapas que contienen la información espectral de los objetos observados. Para su
despliegue visual, las bandas pueden ser combinadas de diferente manera para
observar diversas cosas, facilitando así la interpretación (Figura 2).
Todos los materiales reflejan, transmiten y absorben la luz incidente a diversas
longitudes de onda de manera selectiva, por tanto, exhiben un color característico
al ojo humano. El color de la vegetación dice mucho sobre ella, incluyendo su clase
taxonómica y su estado fisiológico. Por esta razón, las imágenes satelitales multies-
pectrales han sido utilizadas con gran éxito durante muchos años para elaborar
mapas de vegetación (véase por ejemplo NASA, 2011). En nuestro caso se utiliza la
imagen en color con tres bandas (RGB) y una adicional en IR (950-1100 nm). Las
Figura 2. Ejemplo de imágenes multiespectrales RGB (rojo, verde y azul) e IR.

cámaras están acopladas y alineadas, de tal manera que ambas capturan aproxima-
damente la misma escena, teniendo una cobertura muy parecida sobre el terreno.
Para formar un compuesto en falso color es necesario primero ajustar el tamaño de
las imágenes visible e IR, esto se debe a que normalmente no se usa el mismo tipo
de cámara y lente para ambas. El ajuste se logra al sobreponer encima de la visible
la imagen IR con 50% de trasparencia para ver a través de ella, y enseguida realizar
los cambios de tamaño por zonas e inclusive hacer alguna rotación hasta lograr
ensamblarlas adecuadamente. Una vez completado este paso, hay que añadir a las
capas RGB un canal Alpha y copiar en él la imagen infrarroja ajustada, después
hay que copiar el canal verde y pegarlo sobre el azul, copiar el rojo y pegarlo sobre
el verde y, por último, copiar el canal Alpha y pegarlo en el rojo. Esto da como
resultado lo que se conoce como un compuesto en falso color de cuatro bandas.
Un ejemplo de una imagen en color y una compuesta se muestran en la Figura 1.
Sistema de adquisición de imágenes
Para la obtención de imágenes de una manera más eficiente, es recomendable

contar con un sistema que permita llevar a cabo el levantamiento aéreo de una
forma ordenada, totalmente planeada y supervisada. Además de la selección de
los equipos adecuados, es necesario contar con un programa de computadora
que ayude a planear el levantamiento, que lo efectúe de manera autónoma y que
lo supervise durante su ejecución. En el Instituto de Geografía de la Universidad
Nacional Autónoma de México (UNAM) se ha desarrollado un sistema completo
de adquisición de imágenes que permite efectuar todas las tareas mencionadas
(Prado et al., 2000a; Prado et al., 2006). Este sistema ha sido utilizado a lo largo
de los años con distintas variantes, es decir, que las particularidades de cada pro-
yecto han permitido o no, la utilización de la plataforma estabilizada o la unidad
de medición inercial desarrollada en nuestro laboratorio (Prado et al., 2000b). Y
como se menciona más adelante, estos dos componentes son deseables, más no
indispensables. En la Figura 3 se muestra un diagrama de conexiones del equipo
básico para la captura de imágenes y que está constituido por dos cámaras foto-
gráficas; una en color y otra adaptada para capturar imágenes IR, una laptop que
se encarga de efectuar la parte automática del levantamiento, dos receptores GPS,
un intervalómetro para disparo independiente de las cámaras y baterías para el
caso de que no sea posible utilizar alguna fuente de energía de la propia aerona-
ve. El intervalómetro puede sustituir a la laptop en la función del disparo de las
cámaras, llevando este proceso de forma manual. El GPS 1 tiene como función
Antena Figura 3. Diagrama de co-

GPS
nexiones del equipo básico

Antena
GPS 2
GPS necesario para efectuar un

Georeferencia
Cámaras digitales
de imágenes
Corrección
levantamiento aéreo, con
diferencial
GPS 1
cámaras de pequeño forma-
Navegación to en color e infrarrojo (IR).
Georeferencia
 Laptop
Color visible
Disparo
automático


IR cercano
Tarjetas de memoria
y almacenamiento externo Intervalómetro
Inversor
12 VDC-120 VAC
  Batería
12 VDC
principal efectuar tareas de navegación y determinar el momento de hacer una

toma fotográfica. El GPS 2 provee las coordenadas geográficas del centro de la
toma de cada imagen, dato importante en la formación de los mosaicos. Estos
receptores son de bajo costo y tienen corrección WAAS (Wide Area Augmentation
System), lo que significa que manejan un error de posicionamiento entre 3 y 9 m.
En la siguiente sección se describen algunos aspectos que se deben tener en
cuenta al operar un sistema como el que aquí se menciona, para su mejor utiliza-
ción y aprovechamiento.
Consideraciones para la obtención de imágenes aéreas

Antes de planear cualquier levantamiento aéreo, es indispensable tener en cuen-
ta que los costos de una falla de alguno de los componentes clave del equipo,
durante un levantamiento aerofotográfico, son elevados y uno de los objetivos
primordiales debe ser el evitar un desperfecto que obligue a la cancelación del
mismo. Por tanto, es primordial que el usuario considere tres modos de opera-
ción: automática, semiautomática y manual, esto permite que el operador tenga
control de la situación en todo momento evitando una falla irrecuperable. En
el modo automático, la computadora se encarga de calcular, de acuerdo con la
posición geográfica, la velocidad, la sobreposición de las imágenes y la altura, el
momento de disparo de la cámara; el usuario solo debe decidir el momento en
que se comenzarán a adquirir las imágenes en cada línea de vuelo.
En el semiautomático, al enfrentar el usuario problemas durante el levanta-

miento, por ejemplo cuando el relieve es demasiado accidentado, que la altura de
vuelo no se alcanza, o que hay un cambio inesperado de planes por cuestiones cli-
máticas o de tráfico aéreo; en ese momento toma la decisión de controlar de ma-
nera independiente el intervalo de disparo para seguir cumpliendo básicamente
con la cobertura y la sobreposición necesarias. La computadora almacena los
datos de GPS de la posición geográfica de cada imagen y sigue dando el servicio
de visualización general y a detalle, de la posición y avance del levantamiento. Es
preferible evitar este modo de operación mediante la reconfiguración del levan-
tamiento a través de un nuevo cálculo de los parámetros de vuelo. Más adelante
se describe el funcionamiento de un programa de computadora desarrollado para
este fin específico. También es muy útil contar a bordo con los datos de vuelo de
los posibles escenarios en una hoja de cálculo para poder hacer el cómputo de la
nueva cobertura y establecer de manera adecuada las nuevas coordenadas de cada
línea de vuelo (Figura 5). Esto es crítico, ya que al cambiar la altura de vuelo varía
el traslape original, lo que puede causar que no se cubra la zona de manera ade-
cuada, quedando inclusive huecos en la cobertura o, por el contrario, repercutir
en un exceso de imágenes.
El modo de operación manual es necesario en el momento en que ocurriera
una falla grave al equipo, como por ejemplo, un error irrecuperable en la compu-
tadora. Se tiene la opción de operar la cámara con un intervalómetro y almacenar
los datos de posición en la propia memoria del GPS; aunque los datos no van a
quedar sincronizados con la obtención de la imagen, es posible después, con un
programa realizado para esta aplicación, llamado “tiempo” (Bermúdez y Martí-
nez, 2001) determinar los datos asociados a cada imagen. Una buena opción para
hacer esta misma tarea es utilizar el programa Ozi Photo Tool® (OziPhoto Tool,
2012), que combina la información del GPS con los metadatos de las imágenes y
se puede obtener de manera gratuita en Internet.
Lo más importante es no perder la oportunidad de realizar el levantamiento
aéreo, con todos los costos que esto implica.
El plan de vuelo
Para la obtención de imágenes aéreas digitales de alta resolución con cámaras no

métricas, se debe tener la misma sobreposición que con la fotografía aérea con-
vencional, es decir, el 60 o 65% de manera longitudinal y el 30% entre líneas.
Esto permite la obtención de estéreo pares que son indispensables en la fotoin-
terpretación, siendo esta una ventaja muy importante de la foto aérea digital con
respecto a las imágenes de satélite, que en muchos casos no tienen esta disponi-
bilidad. Es muy importante considerar la resolución que se necesita para resol-
ver el problema que se afronta, generalmente, la tendencia es querer obtener un
tamaño de píxel cada vez menor, sin embargo, hay que tomar en cuenta todos los
factores involucrados. Un tamaño de píxel menor implica un mayor número de
imágenes que procesar. Lo mismo pasa con la sobreposición, si ésta va más allá
de los valores recomendados, se tendrá un exceso de imágenes y no necesaria-
mente una cobertura óptima, porque hay que estar seleccionando y descartando
determinadas imágenes al momento de formar las líneas para el mosaico. Ade-
más de la resolución espacial, también hay que considerar cuál es la resolución
temporal (i.e. el tiempo entre levantamientos aéreos) más apropiada para dar
seguimiento al fenómeno en estudio.
¿Cómo se calculan los parámetros de vuelo, resolución, altura, distancia entre

líneas y coordenadas inicial y final de cada línea?
En la Figura 4 se muestra un esquema de la relación básica fundamental de cómo
se forma la imagen al momento de hacer una toma fotográfica, cuando la cámara
utiliza un sensor de imagen electrónico. En dicha figura se pueden apreciar las
relaciones que existen entre: altura de vuelo, distancia focal del lente, cobertura
de la fotografía en el terreno, tamaño de píxel en el sensor, y tamaño de píxel
en el terreno (Neumann, 2005). Todos ellos, parámetros fundamentales para la
planeación del levantamiento aéreo.
El primer paso es establecer el tamaño de píxel en el terreno, dato que permi-
tirá llevar a buen término el proyecto en desarrollo. En caso de que haya alguna
restricción en la altura de vuelo, se puede entonces establecer ésta como dato de
entrada y calcular el tamaño de píxel.
Por semejanza de triángulos se tienen: ƒ

=
Pixelµ (1)
H Res
donde:
ƒ = distancia focal calibrada,

H = altura de vuelo,
Píxel µ = tamaño de píxel en el sensor,
Res = tamaño de píxel en el terreno.
Despejando, se tiene que el tamaño de píxel en el terreno es:

Figura 4. Relaciones funda-

Tamaño de pixel
en el sensor
mentales que existen duran-
te la toma de la imagen con
un sensor electrónico, desde
una estación remota.
Sensor
f de imagen
Tamaño de pixel
en el terreno
Res = Pixelµ ( ) (1a)

H
ƒ
Y la altura de vuelo se puede calcular con la ecuación:
H = ƒ
( Pixelµ )
Res (1b)
La distancia focal calibrada se obtiene en el laboratorio mediante el método

descrito en la sección sobre calibración de la cámara, mientras que el tamaño
de píxel del sensor es un dato que nos proporciona el fabricante y está dado en
micras, usualmente dentro de un intervalo de 6 a 12.4 m. Una vez establecido el
tamaño de píxel en el terreno, es muy sencillo multiplicar este valor (en metros),
por el número total de píxeles en cada fila y cada columna del sensor, y de esta
manera obtener la cobertura sobre el terreno de cada imagen. Usualmente se
coloca la parte ancha del sensor de manera perpendicular a la línea de vuelo para
aumentar la cobertura y disminuir el número de transectos.
Con la cobertura horizontal sobre el terreno (Ater) y la información del

traslape entre líneas (30%), es posible establecer la separación entre cada una de
ellas, de esta manera la distancia entre líneas (Interlin) se obtiene al multiplicar
(Ater) x (1 - 0.3) = Interlin. Asimismo, la distancia que recorre la nave para hacer
una nueva toma es Av = Hter x (1 - 0.6) considerando un traslape entre imágenes
de 60% y que Hter es la cobertura vertical sobre el terreno. El número de líneas
se obtiene al dividir el ancho de la zona de vuelo (Wi) entre la distancia entre
líneas. El número de imágenes por línea se obtiene al dividir el largo de la zona de
vuelo (Lg) entre la distancia Av. A partir de esta información y las coordenadas
extremas de la zona se establecen todas las líneas de vuelo.
En la siguiente sección se hace referencia a un programa que ha sido desarro-
llado en el Instituto de Geografía para llevar a cabo todos estos cálculos a partir
de los parámetros básicos del levantamiento (Bermúdez y Martínez, 2001). Sin
embargo, el contar con una hoja de cálculo, proporciona un respaldo importante
en caso de falla de la computadora, ya que se puede traer a bordo en una Palm® u
otro dispositivo similar, para reducir la posibilidad de no cubrir adecuadamente
la zona. Un ejemplo de una hoja de cálculo, desarrollada también en el Instituto
de Geografía, se muestra en la Figura 5. La facilidad de introducir los nuevos
parámetros y su cálculo inmediato hace de este programa una herramienta muy
valiosa.
Figura 5. Hoja de cálculo

para reconfigurar de manera
rápida los nuevos parámetros
de vuelo en caso de cambios
de último momento, o duran-
te el mismo levantamiento.
En la parte superior izquierda de esta hoja de cálculo se encuentran los datos

del plan de vuelo, marcados en color verde, que deben ser introducidos por el
usuario. La resolución del píxel en el terreno; Res = 0.68 m, la sobreposición late-
ral; Sobrep_lat = 0.3, la elevación media del terreno de la zona del levantamiento;
elevación = 2 300 (a nivel del mar es cero), el ancho de la zona de vuelo; Wi =
54 000 m, el largo de la misma; Lg = 69 000 m y la velocidad de la aeronave;
Vel kts = 120 nudos. En color naranja se indica la altura de vuelo en pies y en
metros, y la resolución del píxel en el terreno. En la columna A y hacia la derecha
(columnas B, C, D, E, F) se indican elev min y elev max; las elevaciones mínima
y máxima del terreno en la zona del levantamiento. Con estos datos se calcula
la sobreposición max y min, esto sirve para saber si va a haber algunos huecos
en el cubrimiento. También se calculan las resoluciones en el terreno mínima y
máxima: res min y res max. Continuando en la columna A, la variable H es la
altura de vuelo en metros, Ater es la cobertura horizontal de la imagen en el te-
rreno, Hter es la cobertura de la imagen sobre el terreno en la dirección del vuelo,
Res es el tamaño del píxel en el terreno, Interlin es la distancia entre líneas, Av
es la distancia que se recorre para tomar una nueva fotografía. Obturador es la
velocidad de disparo de la cámara. En la fila azul se indica nuevamente la altura
de vuelo en pies y en metros y debajo de ella el número de líneas, las fotos por
línea y la cantidad total de fotos, y finalmente, la velocidad de la nave en metros
sobre segundo. En la fila amarilla se indica el intervalo de disparo de la cámara
en segundos, la distancia total de vuelo, considerando los giros para retomar la
siguiente línea, y el tiempo total estimado del mismo.
En la parte baja y del lado izquierdo de la hoja de cálculo hay que esta-
blecer el azimut con el que iniciará el levantamiento y la zona UTM. En la fila
de abajo hay que definir las coordenadas de la esquina superior izquierda de la
zona en estudio (X0, Y0). Cuando la variable dx es positiva las líneas de vuelo se
continuarán hacia el este, a partir de la coordenada inicial. Las coordenadas del
punto de inicio y fin de la primera línea (L1B, L1A) se obtienen a través de una
relación trigonométrica como: B23=B21+(F19*SENO(RADIANES(B19+180)))
y las coordenadas de las demás líneas de vuelo por medio de incrementos, como
por ejemplo B24=B23+$E$21. Por último, en la parte derecha se encuentran los
parámetros de las diferentes cámaras que se tienen disponibles para hacer
los levantamientos, con distintas combinaciones de lentes.
Otra manera diferente y más simple de planear el vuelo y visualizar los tran-
sectos ya efectuados, sobre un mapa base, es a través del programa Map Source
de GARMIN®. Éste permite trazar las líneas de vuelo sobre un mapa y además
cargarlas en un GPS para llevar a cabo la campaña aérea, y en segundo lugar, des-
cargar los recorridos (tracks) efectuados y compararlos contra las líneas de vuelo
planeadas (Figura 6).
Captura de imágenes
Para este proceso es ampliamente recomendable contar con una plataforma es-
tabilizada, ya sea dentro o fuera de la aeronave. Esto permite lograr que las fo-
tografías sean tomadas de manera vertical, lo que ayuda a reducir parte de las
distorsiones causadas por los movimientos inevitables que sufre la aeronave al
realizar los transectos sobre la zona en estudio. Algunos autores han desarrollado
sus propias plataformas estabilizadas (Hui-Sheng y Li-Min, 2010; Jiang y Qi,
2009; Prado et al., 2006) y algunos otros utilizan las convencionales de cámaras
aerofotográficas adaptadas para las de pequeño formato para lograr el mismo
propósito. Las plataformas aéreas estabilizadas son deseables, mas no indispen-
sables, se puede llevar a cabo un levantamiento aéreo prescindiendo de estos
dispositivos. Lo mismo se puede decir de las unidades de medición inercial, que
proporcionan los ángulos de orientación de cada imagen (Prado et al., 2006), en
Figura 6. Visualización del

proyecto con el programa
Map Source, donde se apre-
cia el plan de vuelo comple-
to y las líneas que ya han
sido cubiertas en una prime-
ra etapa de trabajo.
la mayoría de los casos su alto costo las hace prohibitivas y esto va en contra de
la filosofía de la utilización de la imagen aérea digital de pequeño formato, cuya
principal característica es el bajo costo.
Por otra parte, también es recomendable tener a bordo un programa de apo-
yo para el monitoreo y el manejo del proceso de obtención de las imágenes,
particularmente cuando se efectúan vuelos de varias horas, situación que es muy
deseable para aprovechar las condiciones favorables del tiempo. El cansancio y las
condiciones ambientales adversas, como la falta de oxígeno a alturas de vuelo a
12 000 pies o mayores, causan que el operador pueda perder la cuenta de las
líneas ya realizadas, situación que se acentúa si por alguna razón tuvo que aban-
donar y retomar una o más de las líneas, por cuestiones de fallas de equipo o de
tráfico aéreo. Un programa de monitoreo como el que se presenta enseguida, es
utilizado para llevar a cabo la planeación del vuelo y efectuar un seguimiento
durante la campaña aérea (Bermúdez y Martínez, 2001). Éste ha sido escrito en
Visual Basic y representa una mejoría importante en cuanto a eficiencia en lo que
a captura de imágenes se refiere. Este programa permite almacenar y desplegar en
pantalla un mapa base, una imagen de satélite o algún otro elemento cartográfico
como apoyo durante la realización del vuelo. Esto posibilita el ubicar geográfica-
mente de una manera rápida al operador dentro de la zona de vuelo (Figura 7).
En la etapa de planeación se deben introducir los datos básicos del vuelo
como: resolución sobre el terreno, altura de vuelo, número de píxeles de la cáma-
ra, traslape longitudinal y entre líneas, el mapa base de referencia, la distancia
focal calibrada, las coordenadas extremas de la zona de vuelo, etcétera.
Figura 7. Pantalla de modo

de vuelo donde se monito-
rean las variables más im-
portantes y se grafican en la
parte izquierda los transec-
tos ya volados.
Una vez introducidos todos los elementos necesarios, el programa calcula y

traza las líneas de vuelo sobre el mapa base. Estas mismas líneas pueden intro-
ducirse al GPS como referencia para el piloto durante el levantamiento. En esta
misma pantalla se despliega la información vital del levantamiento (Figura 7), las
coordenadas de la posición geográfica son continuamente actualizadas y utiliza-
das para el disparo de las cámaras, se va desplegando en tiempo real el recorrido
y a la izquierda aparecen las líneas que ya han sido voladas y se muestra, en caso
de que así ocurra, algún segmento que esté faltando en alguna línea. Esto queda
inequívocamente señalado de manera gráfica, lo que permite retomar posterior-
mente el tramo faltante para completar con éxito el cubrimiento. Los datos de la
velocidad de la nave y la posición geográfica, adquiridos por el receptor GPS 1 que
se lleva a bordo, son utilizados para desplegar en tiempo real la posición, sobre la
cartografía base y en el momento que ocurre un disparo de la cámara, se alma-
cena el dato de la coordenada geográfica y la hora, para que posteriormente se
pueda determinar la secuencia y ocurrencia de la toma de cada imagen, teniendo
entonces una sincronización que evita problemas al momento de formar las líneas
del mosaico. Esto es vital, en caso de zonas donde no existen detalles fácilmente
distinguibles del terreno o cuando se ha perdido la secuencia de las líneas de vuelo.
Calibración de la cámara
Las cámaras de formato pequeño ofrecen una manera de obtener imágenes

aéreas a bajo costo, siendo en la gran mayoría de los casos equipos que no han
sido diseñados con propiedades métricas. Éstas se caracterizan por no contar con
marcas fiduciales y tener en algunos casos, lentes con distorsiones relativamente
grandes. La calibración es necesaria para compensar los errores sistemáticos que
se producen en ellas. La distorsión generada en el sensor de imagen es constante
y puede ser determinada estableciendo marcas fiduciales virtuales, además, como
su geometría es muy estable y todos los píxeles están localizados prácticamente
en un plano, esta consistencia permite una fácil determinación de sus parámetros
geométricos. En un sentido amplio, todos los píxeles pueden considerarse como
marcas fiduciales representando referencias de posición para la localización del
punto principal y de cualquier otro objeto en la imagen (Wolf y Dewit, 2000).
Dentro de los parámetros de orientación interna, la distancia focal calibrada
se obtiene al encontrar la separación entre el punto nodal posterior del lente y el
punto principal en la imagen, definiendo a este último como el lugar donde se
localiza el centro real de la imagen; en la siguiente sección se describe una manera
práctica de obtenerla. La distorsión radial simétrica es aquella componente que

ocurre a lo largo de líneas radiales a partir del punto principal, ésta se presenta
teóricamente en todos los lentes, aun cuando hayan sido manufacturados bajo
especificaciones precisas (Ibid.).
Método de calibración empleado

Para determinar las distorsiones que el lente le introduce a la imagen, es necesario
modelar el error. Una de las maneras más sencilla de hacerlo, es ajustando los
valores a un polinomio. Al efectuar las mediciones de las distorsiones sobre la fo-
tografía es posible obtener los coeficientes de dicho polinomio. Básicamente hay
que obtener una distancia desde el centro de la imagen y su valor correspondiente
de distorsión. Es necesario cuantificar las diferencias que existen entre las posi-
ciones reales de los puntos sobre la imagen y aquéllos que tendrían, si existiera
una proyección exacta sobre el sensor de imagen. Con esta información inicial,
es posible llevar a cabo el procedimiento de calibración de la cámara y posterior-
mente el de la corrección geométrica de las imágenes (Figura 8).
Para hacer la calibración se utilizó un patrón con una cuadrícula regular, co-
locado de manera perpendicular el eje óptico de la cámara y se tomó una fotogra-
fía; alineando en un mismo eje el centro de la cuadrícula y el centro del lente de la
cámara (Figura 8). En este caso se utilizó una cámara fotográfica SONY modelo
DSC-F707. Se midieron las distancias con una cinta métrica, desde el plano
Ater
Lente
Sensor A
B H
Distancia Focal f B´
f
A X CCD Sensor
Figura 8. Arreglo utilizado para la calibración de la cámara y medidas realizadas para calcu-
lar la distancia focal real del lente.
focal hacia el lente y hacia el patrón de pruebas; corroborando que existiera la

misma altura entre el eje óptico de la cámara con el centro de la imagen (A = A’).
Para calcular la distancia focal real del lente, por semejanza de triángulos, se
utilizó la ecuación (2). Los parámetros son similares a los descritos en la sección
sobre planeación del vuelo, con la salvedad de que en este caso si se tienen las
dimensiones del ancho y alto de la cuadrícula, que sería el equivalente a la cober-
tura sobre el terreno:
ƒ XCCD
= (2)
H Ater
donde:
f es la distancia focal,
H es la distancia al objeto (altura de vuelo),
XCCD es el ancho del sensor,
Ater es el ancho del patrón de pruebas (cobertura horizontal de la imagen
sobre el terreno).
Otra manera práctica de obtener la distancia focal verdadera, es tomando

una fotografía desde una aeronave hacia una superficie de la que se conocen sus
dimensiones y comprobando el cubrimiento. Empleando la ecuación (1) se puede
despejar y calcular este parámetro.
Para determinar qué tanta desviación presenta la imagen, una vez tomada la
fotografía se sobrepone a ésta la cuadrícula patrón, y se hacen las mediciones co-
rrespondientes partiendo del centro de la fotografía en dirección hacia los bordes.
Se necesita un mínimo de cuatro mediciones, teniendo en cuenta que con una
mayor cantidad de éstas, la exactitud del polinomio para modelar la distorsión,
aumenta. Pero en este último caso, como se tiene un número mayor de ecua-
ciones que de incógnitas, entonces en necesario utilizar un método de mínimos
cuadrados para obtener una solución única.
La ecuación que sirve para modelar la distorsión (Ibid.) es la siguiente:
∆r = k1r1 + k2r 3 + k3r5 + k4r 7 (3)
donde:
∆r es la distorsión radial simétrica del lente,

r es la distancia radial medida desde el punto principal,

k1, k2, k3 y k4 son los coeficientes del polinomio.
En la Figura 9 se observa una diferencia muy clara entre la fotografía y la
malla-patrón, la distorsión es principalmente radial simétrica.
Se desarrolló un programa para esta aplicación específica (Hernández,
2003), que obtiene los valores de las k’s y el polinomio que modela la distorsión.
A partir de esta información se hace la corrección por distorsión en las imágenes.
La desviación del eje óptico, el último de los elementos de orientación inter-
na que nos falta, se obtiene a través de la medición directa que se hace sobre la
imagen; es decir, se establece la diferencia de posición que tiene el centro de la re-
tícula patrón y su ubicación real en la imagen digital. Con los elementos de orien-
tación interna completos, se procede a la corrección geométrica de las imágenes.
Corrección geométrica
Durante este proceso es importante mencionar que el ajuste por desplazamiento
del punto principal es aplicado en conjunto con la corrección de la distorsión
del lente; de esta manera se logran corregir geométricamente las imágenes, elimi-
nando las deformaciones producidas por la cámara (Ibid.).
A partir de una imagen original con distorsiones (Figura 9), se procede a
la corrección de la misma (Figura 10). El programa encargado de esta tarea hace
los cálculos para reacomodar cada uno de los píxeles, es decir, se hace un co-
rrimiento para que dicha imagen quede corregida. Se obtiene la distancia desde
el origen de coordenadas, para ese píxel en específico, y junto con él se calcula
Figura 9. Una vez empalma-

das la fotografía y la malla
patrón, se efectúan medi-
ciones para determinar las
magnitudes de las distorsio-
nes del lente.
Figura 10. Imagen corregida

geométricamente.
un valor de desplazamiento, para ello se efectúa la medición tomando en cuenta

donde está el píxel y dónde debería estar. Finalmente se hace un reacomodo en
una nueva matriz-imagen vacía para introducir, conforme se van calculando, los
valores correspondientes de RGB para cada elemento y con ello conformar la ima-
gen ya corregida.
La metodología descrita en esta sección se puede aplicar a cualquier con-
junto de cámara y lente de formato pequeño, sin embargo, los resultados pue-
den variar considerablemente entre una combinación y otra. Se recomienda usar
lentes de buena calidad para disminuir las distorsiones. El ejemplo mostrado
aquí se llevó a cabo con un lente de una cámara SONY modelo DSC-F707, la
distorsión máxima fue de 31 píxeles, mientras que en una prueba efectuada con
cámaras NIKON D2x y D3x con lentes NIKKOR 35 mm OD-AF y Carl Zeiss
ZF 25 mm, se tuvo un error de 0.4 píxeles, es decir, que no mostraron distorsión
corregible. Para conseguir el mismo propósito, de hacer la calibración y efectuar
la corrección geométrica de las imágenes, existen algunos programas que pueden
conseguirse de manera gratuita o a bajo costo en Internet, como el PT lens (PT-
Lens, 2012), o el DxO (DxO Laboratories, 2012) que cumplen satisfactoriamen-
te con esta función. Entre otras opciones están: el programa PhotoShop Creative
Suite CS5 (PhotoShop CS5, 2012) y el Camera Calibration Toolbox for Matlab
(CCT_Matlab, 2012).
El llevar a cabo la corrección geométrica de las imágenes es indispensable
para reducir el error en cada fotografía individual y, por tanto, en el mosaico
ortorectificado; ya que los objetos se encontrarán en una posición más cercana a

la realidad.
Formación de mosaicos ortorectificados
Procesamiento de imágenes
Una vez que el vuelo se ha realizado, las imágenes originales son respaldadas,
rotadas, re-etiquetadas y renombradas. Se mejoran el contraste, el brillo y el ba-
lance de color, a través de la manipulación del histograma, asegurando que en
cada paso las características del terreno sean resaltadas. La vegetación es ajustada,
evitando la exageración de los colores y la introducción de artefactos en las imá-
genes. La función gradiente es aplicada para reducir las diferencias en la ilumi-
nación debido a los inevitables retrasos que ocurren entre líneas de vuelo durante
la campaña aérea. Con estos procedimientos se obtienen imágenes con mejores
características para llevar a cabo una interpretación más precisa.
Generación de mosaicos ortorectificados

Una vez que las imágenes de pequeño formato han sido clasificadas, mejoradas y
corregidas geométricamente, se procede a la formación de los mosaicos. En esta
sección se explica brevemente la manera en que se lleva a cabo el proceso de cons-
trucción de bloques georreferenciados, la obtención de puntos de control y de
amarre y, finalmente, la ortocorrección del mosaico. Todo esto utilizando el pro-
grama ERDAS Orthobase™. Una referencia más completa de la manera de efectuar
este proceso de formación de mosaicos, se puede consultar en Ramírez (2011).
Los ángulos de rotación (omega, phi, kappa) al momento de adquirir cada imagen
no se conocen, ya que por lo general no usamos una unidad de medición inercial
que los proporcione. Por otro lado, los puntos de control terrestre son obtenidos
regularmente de ortofotos digitales de INEGI (2012a), que dependiendo de la
disponibilidad, tienen un tamaño de píxel de 3.0, 1.5, 0.75, 0.3, 0.15 o 0.075 m,
con exactitud horizontal de 12.2, 6.1, 3.0, 1.2, 0.6 y 0.3 m, respectivamente
(INEGI, 2012b). La cobertura promedio de las ortofotos es de 11.7 x 13.8 km2.
Aunque también se pueden utilizar para este mismo propósito otras fuentes de
información, como las imágenes de satélite. Es importante mencionar que el pro-
grama de ortocorrección entrega valores de error cuadrático medio (RMS) en cada
paso, por ejemplo, inmediatamente después de efectuar la aerotriangulación, y
esta información se toma en cuenta para hacer ajustes durante este proceso.
Preparación del sistema. Directorios e imágenes que se utilizarán

En principio hay que establecer el directorio de imágenes en c:/ , verificar que
el programa cuente con el módulo orthobase y establecer en las preferencias, la
asignación de bandas espectrales para las imágenes tipo SPOT, de modo que para
la banda roja (“SPOT red band default”) se utilice la banda #1, para la verde, la
banda #2 y para la azul, la banda #3. Esto es para que las imágenes digitales en
color ( JPG o TIF) se visualicen correctamente. En un siguiente paso, cambiar en la
categoría “TIFF images” marcar la casilla correspondiente a “Edits allowed”, para
que en los proyectos ERDAS pueda modificarlas y crear capas de “pirámides”. Las
pirámides son archivos auxiliares que contienen la misma imagen, con distintas
resoluciones, para que su despliegue sea más rápido cuando se utilizan distintas
amplificaciones mediante el “zoom”. Esto es importante al trabajar con los blo-
ques para ortocorrección, ya que es preciso cambiar con mucha frecuencia las
imágenes desplegadas y también variar la amplificación con que se muestran.
Finalmente, hacer clic en los botones “User sabe” y “Global sabe” y cerrar la
ventana.
Crear un nuevo proyecto, establecer el sistema

de referencia geográfico y los ángulos de rotación de las imágenes
1. Hacer clic en el botón “Orthobase”. Seleccionar la opción “Create New

Orthobase Project” y asignarle un nombre. Este archivo se distinguirá en
el directorio de trabajo por su extensión “.blk”.
2. En “Geometric model”, seleccionar la opción “Digital camera” y hacer
clic en “Ok”.
3. En la ventana “Set reference system” que aparece a continuación, selec-
cionar en ceja “Custom” la proyección UTM, el Datum WGS84 y la zona
UTM 14 Norte (este dato cambia acorde con la zona del proyecto). Hacer
clic en “Ok” y luego en “Next”.
4. Seleccionar metros como unidades de referencia horizontales y vertica-
les, y grados para los ángulos.
5. Seleccionar la opción “Omega, Phi, Kappa” para el sistema de rotación y
“Z-axis for normal images” para la dirección de las fotos. Esta es la con-
figuración para fotos aéreas verticales. Hacer clic en “Ok”. Aunque no se
hayan obtenido los ángulos de orientación, cuando no se cuente con una
unidad de medición inercial, es necesario declararlos en este momento.
Después se les asignará un valor de cero, para que pueda correr el proceso.
6. En la tabla que aparece, utilizar el icono para agregar fotos y seleccionar

las imágenes que se encuentran en el subdirectorio “Fotos”.
7. Una vez introducidas las imágenes, ir a la primera de ellas y colocar el
indicador “>” en el cuadro correspondiente de la misma columna “>”.
8. Hacer clic en el icono con la letra “i”. En el cuadro que aparece, seleccio-
nar el sensor haciendo clic en “New” y luego en “Load”. Seleccionar el
tipo de cámara que se usó en el levantamiento, en este caso: Nikon D3x.
Llenar los espacios de distancia focal y la desviación del eje óptico de la
cámara, obtenidos de la calibración previa.
9. En la ceja “Interior orientation”, introducir 5.49 micras para el tamaño
del píxel, tanto en X como en Y. No entrar en la ceja “Exterior orienta-
tion”, porque no se tienen los datos de los ángulos de cada toma fotográ-
fica y pone ceros por default. Hacer clic en “Next” sucesivamente para
transferir a la siguiente imagen los valores de sensor y tamaño de píxel.
10. Guarde el bloque con “Save” como precaución.
Ahora ya se tienen todas las imágenes con que se va a trabajar un primer

bloque del mosaico.
Obtención de puntos de control

Son indispensables y particularmente importantes cuando no se obtienen los án-
gulos de orientación de cada fotografía, ya que a partir de estos puntos de control
es posible reconstruir las condiciones geométricas de las fotografías, esto se lleva
a cabo durante el proceso de aerotriangulación. Los puntos de control (GCP’s) de-
ben ser elementos identificables en la superficie terrestre (calles, banquetas, árbo-
les, puentes, etc.) que tienen coordenadas conocidas (X, Y, Z); por tanto, sirven
para establecer una relación exacta entre las imágenes obtenidas por la cámara y
el terreno, proceso conocido como georreferencia. Un punto de amarre puede o
no tener coordenadas de terreno conocidas, pero se reconoce visualmente en el
área de traslape entre dos o más fotografías.
Para obtener los puntos de control es necesario contar con mapas, ortofotos
o imágenes de satélite. Esta base cartográfica es muy importante ya que el resulta-
do final de la ortorectificación de nuestro mosaico dependerá de la exactitud con
que se ubiquen los puntos. También es muy importante que todos los mapas ten-
gan la misma proyección cartográfica, esferoide, datum y unidades de medición
(metros, grados), para evitar errores e inconsistencias en los resultados. Otro dato
importante es la referencia de alturas de cada punto de control. Éstas se obtienen
a partir de un modelo digital de elevación (DEM), que es una capa de información
de datos raster que permitirá eliminar el efecto de desplazamiento del relieve en

las imágenes, al conocerse la altura de cada píxel en el terreno (Figura 11).
1. Para iniciar este proceso, abrir la ventana de introducción de puntos de

control (“Point measurement tool”). Es el icono que tiene un signo “+”
con dos flechas circulares alrededor, que servirá posteriormente para ge-
nerar puntos de amarre de modo automático.
2. Active las dos casillas indicadas por el signo “+” y por una “Z”, para ob-
tener directamente el valor de elevación de cada punto a partir del (MDE)
y para desplazarse automáticamente a la posición estimada de los puntos
en cada imagen.
Para introducir puntos de control nuevos, haga clic en “Add”. Busque un

punto específico en la imagen de referencia y en la foto digital en color y márque-
lo haciendo clic en la ventana inferior, y afine su posición en la ventana superior
de zoom. No olvide crear un punto nuevo para cada nueva posición. Es un error
común introducir marcas en diferentes imágenes sin crear puntos nuevos, pro-
vocando que un solo punto tenga coordenadas de distintos objetos en distintas
imágenes, dando lugar a errores grandes y de difícil detección. Debe haber al
menos tres puntos de control por imagen.
Para crear puntos de amarre, simplemente busque el mismo objeto en las
imágenes sucesivas en que éste aparezca y no lo marque en la imagen de referencia.
Figura 11. Obtención de

puntos de control terrestre.
En la parte izquierda se en-
cuentra la cartografía base y
en el lado derecho la imagen
donde se están marcando los
puntos.
Aerotriangulación
La triangulación es el proceso por el cual se define la relación matemática en-
tre un bloque de imágenes, el sensor y el terreno. Una vez definida esa relación
geométrica, es posible crear imágenes e información precisa con respecto a la
superficie terrestre. Es durante este proceso que se completan los parámetros de
orientación externa que no se tienen (omega, phi, kappa).
La triangulación en bloque considera simultáneamente lo siguiente:
• La posición (X, Y, Z) y la orientación (omega, phi, kappa) de cada ima-

gen en un bloque, tal y como existía al momento de la toma (estos son
los parámetros de orientación externa).
• Las coordenadas X, Y, Z de los puntos de amarre capturados del bloque
de imágenes. Que posteriormente también se convierten en puntos de
control.
• Los parámetros de orientación interna, asociados a la cámara: distancia
focal calibrada, desviación del eje óptico y distorsiones en el lente.
• Parámetros adicionales que caracterizan errores sistemáticos en el bloque
de imágenes.
1. Cuando tenga al menos tres puntos de control en cada una de las imá-
genes, oprima el botón para efectuar la triangulación (triángulo azul
en la Figura 13). Si se requiere de más puntos, el programa lo indicará,
especificando la imagen en la que hacen falta.
2. Revise el resultado de la triangulación y evalúe la conveniencia de intro-
ducir más puntos de control o de amarre. Verifique si la triangulación
converge y cuál es el valor del error cuadrático medio (RMS), que es la
distancia entre la ubicación de entrada de un punto de control (la que
proviene del mapa de referencia) y la ubicación de salida del mismo pun-
to, o bien, la diferencia entre la coordenada real del punto de control y
la coordenada deseada de salida (Figura 12). Si este número es elevado,
se debe buscar dónde ocurrieron los errores, corregirlos e introducir más
puntos de amarre. Dependiendo de las características de cada proyecto,
el objetivo es lograr un error menor a 1 píxel, esto es para tener un po-
sicionamiento lo mejor posible de los objetos dentro del mapa, aunque
en algunos casos es difícil lograr que sea menor a 5 o 6 píxeles en zonas
montañosas. Esto se debe a que las distorsiones son mayores en esta área y
por tanto, difíciles de compensar, aunado al nivel de error del modelo di-
gital de elevación utilizado (imagen raster con tamaño de píxel de 30 m).
Figura 12. Después de co-

rrer la triangulación se ob-
tiene un estimado del error
(RMS) que tendrá el mosaico
terminado.
Figura 13. Creación de mo-

saicos por línea de vuelo.
3. Cuando la triangulación converge, el error está dentro de lo aceptable y el

despliegue gráfico de las imágenes las muestra sin grandes deformacio-
nes; entonces puede procederse a la generación de las ortofotos.
Ortocorrección de imágenes
La ortorectificación u ortocorrección consiste en cambiar la proyección central
de la imagen de una superficie, en líneas de proyección perpendiculares (proyec-
ción ortogonal), eliminando la distorsión causada por las variaciones del terreno
fotografiado. El resultado se conoce como ortoimagen u ortofotografía. En este
paso se hace la ortocorrección a cada imagen individual.
1. Activar el icono de ortorectificación, aparecerá una ventana con las

opciones de “salida simple” y “salida múltiple”, seleccionar la primera.
También hay que elegir el archivo de salida y el método de remuestreo.
El programa proporciona un tamaño aproximado del píxel de salida
(Ouput cell sizes); entre más pequeño es el píxel, más grande será el ta-
maño del archivo de salida. En el botón de “DEM, Overlap Threshold”,
seleccionar: sobreposición al 30%. Activar el botón “OK” para comenzar
con el proceso de creación de imágenes ortorectificadas. Al terminar, se
activará una ventana con el siguiente diálogo: “JOB STATUS al 100%”,
esto indica que se terminó exitosamente el proceso. Seleccionar “OK”
para concluir con esta etapa.
Creación de mosaicos de cada una de las líneas de vuelo

1. En el menú principal de ERDAS, seleccionar el módulo llamado “Data
Drep”. Elegir la opción “Mosaic image”; ésta abrirá una ventana de tra-
bajo para agregar las imágenes ortorectificadas. Es importante conservar
el orden en el cual fueron colocadas en nuestro proyecto. Enseguida acti-
var la acción “Run process” y dar un destino a nuestro archivo de salida.
Una vez terminado el proceso, aparecerá el diálogo “JOB STATUS al
100%”, entonces se seleccionará “OK”. Para verificar el resultado, abri-
mos el archivo creado, en nuestro visor.
Generación del mosaico final

Cuando se han creado los mosaicos de todas las líneas de vuelo, es posible generar
el ortomosaico final. Este proceso consta de la unión de todas nuestras líneas de
vuelo para formar una sola imagen de nuestra área en estudio (Figura 14).
Figura 14. Generación del

ortomosaico final. Todas las
líneas deben ajustarse antes
de ejecutar el proceso.
Figura 15. Una porción del

mosaico generado con el pro-
grama ERDAS OrtoBASE™.
En ambos lados se encuen-
tran las ortoimágenes digi-
tales de INEGI, usadas como
cartografía base.
1. En el menú principal abrir una ventana o visualizador de imágenes, cargar

los mosaicos con las respectivas líneas de vuelo para verificar su posición
con respecto al mapa de referencia. Si existen deformaciones, se puede in-
tentar reducirlas ordenando y reacomodando las líneas para que ajusten.
2. Cuando están las líneas ajustadas y en el orden correcto, se elige la op-
ción “raster” y se activa en submenú “Tools”; éste mostrará una ventana
con herramientas, de la cual hay que elegir la de “corte”; ahí se marcará
lo que se considere con menor desplazamiento o deformación, para hacer
coincidir las líneas.
3. En la ventana de “creación de mosaico” se agregan los archivos o mosai-
cos por línea.
4. En este caso se elige la opción de corte que nos permitió importar los
vectores. Al activarse ésta, se tendrá que seleccionar uno a la vez, inte-
ractuando con esta ventana hasta recopilarlos todos, entonces es posible
correr el proceso de creación de mosaico “Run mosaic”.
Discusión
Contra la opinión de algunos autores (Graham y Mills, 2000) se ha demostra-

do la factibilidad de llevar a cabo levantamientos aéreos de amplias zonas (e.g.
3 600 km2) utilizando cámaras de formato pequeño, con un tamaño de píxel en
el terreno de 0.5 m, con un error RMS en posicionamiento en horizontal de 5 a
6 m, incrementándose de manera sensible en zonas montañosas. En la Figura 16
se muestra un mosaico en visible y otro formado con imágenes compuestas en fal-
so color que representan un cubrimiento de 3 657 km2 de la Cuenca de México.
Los modelos digitales de elevación utilizados en la mayoría de nuestros pro-
yectos para la formación de los ortomosaicos, son proporcionados por INEGI a
través del continuo de elevación, que tiene un valor de 30 m por píxel (INEGI,
2012c). Las coordenadas geográficas del centro de cada toma se adquieren a
través de un receptor de posicionamiento satelital de bajo costo con corrección
WAAS, esto implica que se tiene un error de 3 a 9 m, dependiendo de las condi-
ciones ionosféricas, principalmente, y de la distribución espacial de los satélites.
Solamente en ciertos proyectos se ha utilizado corrección diferencial con recep-
tores geodésicos (Prado y Peralta, 2005; Prado et al., 2012) para obtener puntos
de control con precisión de 1.5 cm. Los errores de posicionamiento en X y Y de
los píxeles en los mosaicos, han sido de 45 cm. Este valor es significativamente
Figura 16. Ortomosaico del

Distrito Federal, compuesto
por 2 160 imágenes obteni-
das en 2010, efectuando 24
líneas de vuelo de 70 km de
largo cada una.
menor que en otros casos (i.e. 5 o 6 m), esto ha sido a expensas de llevar a cabo
costosas campañas de obtención de puntos GPS en campo.
Un factor muy importante para lograr un error aceptable en la generación de
los ortomosaicos son las ortofotos de INEGI, que proporcionan los puntos de con-
trol terrestre para georreferenciar y efectuar la aerotriangulación. Otro elemento
esencial para mantener el error reducido es el uso del programa ERDAS OrtoBA-
SE™, a través de sus procesos bien establecidos y su flexibilidad operativa. Este
programa proporciona el valor RMS del error, que se toma como referencia para
establecer la precisión final que tiene el mapa. Una prueba de confiabilidad sobre
este parámetro se llevó a cabo en 2005, cuando se obtuvieron alrededor y dentro
del campus de Ciudad Universitaria, 135 puntos de control geodésico (Prado y
Peralta, 2005). Todos estos puntos se utilizaron en el proceso para generar un
mosaico ortorectificado de la zona en estudio, la cual abarcó un área de 7 km2,
con imágenes con tamaño de píxel de 20 cm y con un error de posición de
45 cm. Esta densidad de puntos permitió hacer comparaciones en diferentes zo-
nas del ortomosaico demostrando la confiabilidad en la magnitud del error entre-
gado por el programa. Los puntos en el ortomosaico fueron también comparados
contra una imagen ortorectificada de INEGI, de tal manera que se tuvieron dos
fuentes de información para cotejar los resultados (Peralta et al., 2005).
Una de las aplicaciones principales de este tipo de sistemas de adquisición de
imágenes, es la evaluación de recursos naturales. En estos casos es más importan-
te diferenciar las especies vegetales y conocer su estado fisiológico, que saber su
ubicación exacta, aunque cada proyecto es diferente y se deben determinar cuáles
son los parámetros más relevantes en cada uno de ellos. No obstante, los mapas
generados con el método aquí presentado se catalogan en algunos casos como
CLASE 1, según los estándares de la American Society for Photogrammetry and
Remote Sensing (ASPRS, 2007), que establece, por ejemplo, que para un mapa a
escala 1:4 000 el error en horizontal (X,Y) debe ser de 1 m.
Finalmente, en la Tabla 1 se presenta una comparación de costos entre di-
ferentes tipos de imágenes, obviamente, no en todos los casos la foto digital de
pequeño formato es la mejor opción. Es necesario evaluar cada proyecto en par-
ticular y tomar la decisión que más convenga. Por ejemplo, para las dependencias
gubernamentales y educativas de México están disponibles las imágenes de SPOT
de manera gratuita (ERMEXS, 2012), esta es una opción que hay que considerar
si la resolución es la adecuada para el proyecto. Sin embargo, si no se pertenece a
ninguna dependencia de gobierno o educativa, el precio de una escena completa
de SPOT es de € 8,000 (ASTRIUM, 2012).
Conclusiones
Las imágenes aéreas digitales de pequeño formato representan una alternativa

económica en comparación con la fotografía aérea convencional y las imágenes
de satélite. Hay que tomar en cuenta sus limitaciones y considerar que en la ma-
yoría de los casos, la fotogrametría convencional proporciona un error significa-
tivamente menor que aquél que entrega la imagen de pequeño formato (Peralta
et al., 2005). Sin embargo, la gran flexibilidad que ésta tiene permite manejar de
manera adecuada la resolución espacial y temporal para cumplir con los requisi-
tos del proyecto, dando como resultado un mosaico ortorectificado que propor-
ciona la calidad pictórica de la imagen y la precisión de un mapa. Se ha demos-
trado a lo largo de varios proyectos la factibilidad y pertinencia de llevar a cabo
levantamientos aéreos y la consecuente formación de mosaicos ortorectificados
de amplias zonas de territorio (i.e. del orden de 3 600 km2). Otra gran ventaja
de las cámaras de pequeño formato es su oportunidad, ya que permiten obtener
imágenes de manera expedita.
Tabla 1. Comparación de costos entre diferentes tipos de imágenes
(m)
Costo
(km2)
(MX$)
Bandas
Moneda
Área km2
IMAGEN
de compra
Costo km2
Resolución
enero 2012
Costo MX$
Área mínima
Licencia anual SPOT $30.012

Estación ERMEXS (no € $1.75 M
M
estéreo)
Imagen SPOT libre de
nubes, dependencias Pan,
Pan: 2.5
de la Administración € $58.50 $1 003.28 3600 $0.28 R+G+B+IRc,
Multi: 10
Pública Federal e SWIR
instituciones educativas.
Escena SPOT libre de 3 600 o 1 600

Pan 2.5m
Pan: 2.5 Síntesis o 900 o 400, el
nubes color (precio al € $8 100 $138 915 3600 $38.59 + bandas de color costo aumenta si
público) Multi: 10 R+G+B+IRc 5m se reduce el área.
1/8 de escena SPOT libre
Pan: 2.5 Pan 2.5m + color
de nubes color (precio € $3 060 $52 479 400 $131.2 400
Multi:10 +IRc 5m
público)
Deimos-1 (España) € $2 500 $42 875 Variable $4.29 22 R+G+B+IRc 10 000
GeoEye1 (EUA) Pan: 0.41

US$ $7 875 $103 713 225 $460.9 Pan, R+G+B+IRc 100
Multi:1.6
WorldView-2 Pan: 0.46
(DigitalGlobe, EUA) US$ $6 256 $82 391 224 $367.8 Pan, R+G+B+IRc 224
Multi:1.8
QuickBird (EUA), Pan: 0.61
US$ $49 798 $655 839 3557 $184.3
Archivo, 5 escenas Multi:2.4 Pan, R+G+B+IRc
Tabla 1. Continuación
(m)
Costo
(km2)
(MX$)
Bandas
Moneda
Área km2
IMAGEN
de compra
Costo km2
Resolución
enero 2012
Costo MX$
Área mínima
Pan: 0.82
Ikonos (EUA) US$ $25.00 $329 1 $329.2 Multi: Pan, R+G+B+IRc 100
3.2
Escena FORMOSAT-2 Pan:2
€ $2 625 $45 018 576 $78.16 Pan, R+G+B+IRc 576
(Taiwan) Multi: 8
Fotografía Aérea Digital MX$ $86 700 $86 700 400 $216.7 0.2 R+G+B+IRc 10
de pequeño formato
Ortomosaico de
Fotografía Aérea Digital MX$ $120 000 $120 000 400 $300 0.2 R+G+B+IRc 10
de pequeño formato.
Ortofotografía Aérea
Analógica (archivo, MX$ $173 250 $173 250 864 $200 2 Pancromático
2006)
Ortofotografía Aérea MX$ $118 720 $118 720 366 $324.3 0.4 R+G+B
Analógica
Capítulo 2. Evaluación práctica y teórica
de los modelos de regresión logística múltiple
y cartográfica-hidrológica para la predicción
de deslizamientos de tierra
Gabriel Legorreta Paulín
Marcus Bursik
Department of Geology, University at Buffalo
Fernando Aceves Quesada

Luis Mario Paredes Mejía,
José Lugo Hubp
Irasema Alcántara Ayala
Departamento de Geografía Física, Instituto de Geografía
Introducción
Existe una gran variedad de métodos para evaluar la susceptibilidad de desliza-

mientos pero, en general, estos métodos pueden clasificarse en cuatro principales
enfoques: de inventario, heurístico, estadístico y determinístico (Clerici et al.,
2002; Dai et al., 2002; Metternicht et al., 2005; Zhou et al., 2003). Todos ellos,
con sus propias ventajas y limitaciones se han implementado como aplicaciones
en los sistemas de información geográfica (SIG), con la finalidad de evaluar los
deslizamientos de tierra a escala local, y regional (Angeli et al., 2000; Atkinson
y Massari, 1998; Bozzano et al., 2002; Castellanos y van Westen, 2008; Dehn
y Buma, 1999; Demoulin y Chung, 2007; Di Gregorio et al., 1999; González et
al., 1999; Guzzetti et al., 1999; Guzzetti et al., 2002; Jäger y Wieczorek, 1994;
Lang et al., 1999; Lee et al., 2004; Metternicht et al., 2005; Miles y Ho, 1999;
48 . G. Legorreta, M. Bursik, F. Aceves, L. M. Paredes, J. Lugo, I. Alcántara y J. López
Parise, 2001; Pasuto y Soldati, 1999; Qin et al., 2002a, b; Tobutt, 1982; Zhou et
al., 2003).
Sin embargo, se ha detectado una importante limitación en las aplicaciones
de los SIG en cuestiones de evaluación de estabilidad. Ésta se encuentra asociada
con la inexistente comparación sistemática de los métodos utilizados, tanto en
condiciones naturales como bajo escenarios teóricos para describir las ventajas
y limitaciones de los métodos para modelar la distribución espacial de dichos
movimientos. La falta de una comparación sistemática de los modelos de desliza-
miento a diferentes escalas cartográficas, resoluciones de los modelos digitales de
elevación (MDE), estrategias de muestreo y tipo de deslizamientos a estudiar, no
solo compromete la confiabilidad de los modelos sino que conduce al abuso de
los mismos. Esto es especialmente cierto para la validación de modelos en con-
diciones naturales en la que los problemas de resolución de píxel, interpolación,
definición del tipo de deslizamiento, así como la incomprensión de los requisitos
del modelo, el cálculo incorrecto y/o estimación de los parámetros topográficos,
hidrológicos y del suelo, comprometen la eficiencia del modelo y ocultan el hecho
de que un modelo puede ser una burda especificación de la realidad
A fin de evaluar las anteriores deficiencias en las aplicaciones de los SIG en
la modelación de deslizamientos de tierra, en este estudio se aplica LOGISNET
(desarrollado mediante el uso de macros (AML) del programa de SIG ArcInfo
workstation) como una herramienta para comparar y contrastar las ventajas y
limitaciones de la regresión logística múltiple (RLM), y de un enfoque cartográ-
fico-hidrológico (SINMAP). Por razones de organización, se utiliza la siguiente
nomenclatura: LOGISNETSINMAP para la versión mejorada de SINMAP dentro de
LOGISNET y LOGISNETRLM para la versión incorporada de RLM en LOGISNET.
Estos dos enfoques son seleccionados por las siguientes razones.
RLM no tiene significado físico, pero su enfoque estadístico está diseñado
para predecir la probabilidad de deslizamientos. RLM supera los problemas de
relaciones no lineales mediante una transformación logarítmica. Además, la fun-
ción logística asemeja el comportamiento de los deslizamientos (DeMaris, 1992;
Field, 2005; Menard, 2002; Ohlmacher y Davis, 2003).
SINMAP utiliza una aproximación determinística cartográfica e hidrológi-
ca, que combina la teoría de un modelo hidrológico (Beven y Kirkby, 1979;
O’Loughlin, 1986) y de un modelo de estabilidad de pendiente-infinita del factor
de seguridad (Hammond et al., 1992) para predecir zonas potenciales de desliza-
mientos mediante el uso de un índice de estabilidad (IE). El enfoque toma plena-
mente en cuenta el control topográfico a través del flujo de agua subterránea poco
profunda en la generación de deslizamientos (Montgomery y Dietrich, 1994;
Evaluación práctica y teórica de los modelos de regresión logística múltiple y… . 49
Pack et al., 1997, 2001); además combina variables topográficas, hidrográficas y

suelo para predecir deslizamientos potenciales en zonas con escasa información.
En condiciones naturales, LOGISNETSINMAP y LOGISNETRLM (restringido a
trece variables geotécnicas para su comparación con LOGISNETSINMAP) tienen
moderado a bajo grado de concordancia con el mapa del inventario de desliza-
mientos. Cuatro posibles razones del moderado resultado de los modelos pueden
explicar lo anterior: la exactitud del mapa del inventario de deslizamientos de
tierra, la resolución del MDE, el tipo de deslizamiento de tierra a estudiar y los pa-
rámetros geotécnicos. Sin embargo, todos los anteriores problemas potenciales no
pueden explicar el moderado rendimiento de los modelos en condiciones natura-
les. Bajo condiciones naturales, LOGISNETRLM es aparentemente un modelo más
exitoso y flexible que LOGISNETSINMAP porque con menor número de variables
los resultados de LOGISNETRLM son similares o mejores a los de LOGISNETSINMAP.
Basado en los anteriores resultados, se implementa una evaluación teórica de
LOGISNETSINMAP y LOGISNETRLM. La evaluación teórica se enfoca en el efecto de la
resolución del píxel en la representación y detección de deslizamiento por parte
de LOGISNETSINMAP y de LOGISNETRLM. Para ello se utilizan deslizamientos de
tierra artificial creados mediante la modificación manual de líneas altimétricas
y con tamaños y parámetros geotécnicos publicados. La evaluación se realiza a
1, 5, 10 y 30 m, respectivamente, de resolución. A medida que aumenta el ta-
maño del píxel, el deslizamiento de tierra pierde la representación cartográfica.
El resultado es un modelo de predicción sesgado. En las pruebas, las predic-
ciones de LOGISNETRLM son mejores que las de LOGISNETSINMAP, si el modelo
de LOGISNETRLM tiene suficiente píxeles para obtener estadísticas fiables.
LOGISNETSINMAP es más consistente al producir mapas de susceptibilidad simila-
res sobre una serie de resoluciones. En general, LOGISNETRLM tiende a sobrepre-
decir, mientras que LOGISNETSINMAP tiende a subpredecir conforme aumenta el
tamaño del píxel.
Antecedentes
En el pasado se han hecho esfuerzos para crear, probar y validar los modelos
de susceptibilidad a deslizamientos de tierras (Borga et al., 2002a, b; Chinna-
yakanahalli et al., 2003; Dietrich et al., 2001; Lan et al., 2004; Montgomery
y Dietrich, 1994; Morrisey et al., 2001; Pack et al., 1997, 1998, 2001; Wawer y
Nowocień, 2003; Winsemius et al., 2005; Zaitchik et al., 2003). Sin embargo,
la evaluación de un modelo es difícil de realizar debido a la complejidad de pro-
blemas concomitantes naturales y técnicos (Zaitchik et al., 2003). La evaluación

es especialmente difícil en los modelos diseñados para la detección o predicción
de deslizamientos superficiales o someros. Esto es debido a que las dimensio-
nes espaciales de los deslizamientos superficiales son pequeñas en comparación
con otros tipos de deslizamientos de tierras (Can et al., 2005). En condiciones
naturales, sus pequeñas dimensiones espaciales comprometen su representación
cartográfica ya que los deslizamientos superficiales pueden no tener expresión o
simplemente son enmascarados al mezclarse con otros tipos de deslizamientos
mayores a escala regional.
En 1998, Pack y colaboradores implementaron un Índice de Mapeo de Es-
tabilidad (SINMAP) en un SIG. SINMAP fue apoyado por la Forest Renewal de la
British Columbia en colaboración con la Forest Products Ltd. de Canadá, Van-
couver, British Columbia, para proporcionar una herramienta para cartografíar
la estabilidad del terreno (Pack et al., 1998, 2001). La aplicación de SINMAP va
desde planificación y gestión forestal (Pack et al., 1998; Wawer y Nowocień de
2003;) hasta el establecimiento de la susceptibilidad de deslizamientos (Lan et
al., 2004; Pack et al., 1998; Wawer y Nowocień, 2003; Witt, 2004). SINMAP
utiliza un enfoque cartográfico/hidrológico para expresar la estabilidad de la
pendiente del terreno en términos de un índice de estabilidad (Pack et al., 1998).
Este índice expresa la estabilidad del terreno mediante el uso de seis clases (Tabla
1) y es calculado mediante la combinación del factor de seguridad del modelo
de estabilidad con pendiente infinita (Hammond et al., 1992) y la teoría de un
modelo hidrológico (Beven y Kirkby, 1979; O´Loughlin, 1986).
El segundo modelo, el modelo de RLM, fue diseñado para estimar la proba-
bilidad de deslizamientos entre 0 y 1. En éste, la contribución de varias variables
se transforma en probabilidad por una función logística. Esta función tiene una
Tabla 1. SINMAP, definición de clases de estabilidad
Condición IE: Valores del Clasificación

Clase índice de estabilidad (predicción de estabilidad)
1 IE > 1.5 Zona estable
2 1.5 > IE > 1.25 Zona moderadamente estable
3 1.25 > IE > 1.0 Zona casi-estable
4 1.0 > IE > 0.5 Zona de umbral más bajo de estabilidad
5 0.5 > IE > 0.0 Zona de umbral más alto de estabilidad
6 IE < 0 Zona de pendiente defendida o inestable
forma sigmoidal que puede ser interpretada como de riesgo mínimo de un área
a sufrir deslizamientos cuando la función tiene valores bajos y ésta se mantiene
como de bajo riesgo hasta que cierto umbral es alcanzado, entonces la probabili-
dad de deslizamientos aumenta rápidamente conforme los valores de la función
se incrementan (Kleinbaunm y Klein, 2002). Este modelo tiene la ventaja sobre
otras técnicas estadísticas multivariables en el hecho de que la variable depen-
diente solo puede tener dos valores –un evento ocurre o no ocurre (Ohlmacher y
Davis, 2003). En este sentido, un deslizamiento de tierra es categorizado como 1
o 0, o como una zona con deslizamientos o sin deslizamientos de tierra. La pro-
blemática de la falta de una relación lineal entre variables es superada por la RLM
mediante el uso de la transformación logarítmica.
En el caso de SINMAP, su evaluación en condiciones naturales es escasa y ha
llevado a la afirmación de que SINMAP define bastante bien las zonas que intuitiva-
mente parecen ser susceptibles a deslizamientos (Deb y ElKadi, 2009; Meisina y
Scarabelli, 2007; Morrisey et al., 2001). En estos trabajos se insiste en que SINMAP
tiene que ser alimentado con parámetros geotécnicos calibrados y con MDE pre-
cisos para tener éxito en la predicción (Pack et al., 1998; Wawer y Nowocień,
2003). Por ejemplo, Witt (2004) encuentra una subestimación de los desliza-
mientos de tierras cuando se usan datos no calibrados. El uso de parámetros ca-
librados mejora la asignación de clases pero, incluso con datos calibrados, existen
ciertos problemas, entre los cuales cabe destacar el exceso de predicción de áreas
de deslizamientos y la falta de cambio en la predicción de áreas de deslizamientos
con el aumento de la recarga de agua (Morrisey et al., 2001; Witt, 2004). Por
otra parte, también Legorreta y Bursik, (2006) demuestran que SINMAP pierde
información cerca de las fronteras e incluso dentro del MDE.
En el caso de RLM, su evaluación en condiciones naturales ha llevado a la
afirmación de que RLM es bastante exitoso en la identificación de laderas donde
se han observado deslizamientos superficiales. Este éxito es posible si se utiliza
una estrategia de muestreo adecuada, y se seleccionan las variables que estén más
estrechamente relacionadas con los deslizamientos de tierra de un área (Ayelew
y Yamagishi, 2005; Bai et al., 2010; Can et al., 2005; Ohlmacher y Davis, 2003;
Van Den Eeckhaut et al., 2010; Yesilnacar y Topal, 2005;).
En la mayoría de los trabajos que utilizan RLM o SINMAP se emplean datos
geotécnicos extraídos del la zona de cabecera o depleción del deslizamiento y no
del depósito o de la zona de evacuación, pues estos últimos son afectados y mo-
dificados por otros deslizamientos que también aportan material. La zona de de-
pleción es considerada la zona de inicialización y de aporte del material, mientras
que el área entre la zona de depleción y el depósito final es generalmente referido

como la zona de evacuación en un deslizamiento (Archarya et al., 2011).
Materiales y métodos
SINMAP y RLM son analizados y comparados en condiciones naturales y teóricas,

artificiales. En condiciones naturales, los modelos son evaluados en un corredor
de la autopista 101 a lo largo de la costa entre Wilson Creek y la ciudad de Cres-
cent City, en el condado del Norte, California, Estados Unidos. El área de Mill
Creek se encuentra en la parte norte de este corredor y se utiliza como zona piloto
para obtener los parámetros geotécnicos y validar los modelos. A pesar de contar
con un MDE de 10 m de resolución de la zona en estudio, se utiliza un MDE a
30 m a fin de realizar una prueba de reconocimiento para determinar desliza-
mientos en grandes regiones. Esta evaluación explora las dificultades de evaluar
un modelo a escala regional con complejas variables cartográficas, ambientales y
condiciones geológicas.
La evaluación teórica se basa en condiciones artificiales generadas a partir
de MDE cuya superficie es suavizada y alterada para crear condiciones estables e
inestables en sus laderas. La evaluación teórica evalúa los efectos de la resolución
del píxel que afecta el número de píxeles sobre la representación cartográfica de
deslizamientos superficiales (< 2 m de profundidad) y deslizamientos de asenta-
miento-profundo (> de 2 m de profundidad) y éste a su vez en las predicciones
hechas por LOGISNETSINMAP y LOGISNETRLM.
Aunque LOGISNETSINMAP está diseñado para detectar solo deslizamientos su-
perficiales, un deslizamiento de asentamiento-profundo se utilizará para evaluar
si LOGISNETSINMAP es capaz de detectar este tipo de deslizamientos. Los MDE se
crean utilizando los métodos estándares de la digitalización topográfica, interpo-
lación y agregación, así como utilizando filtros para suavizar la superficie de los
MDE. Los deslizamientos artificiales son generados en MDE cuyas resoluciones
son de 1, 5, 10 y 30 m, respectivamente. Los deslizamientos de tierra artificiales
son creados mediante la modificación manual de las curvas de nivel para produ-
cir efectos de deslizamientos. Sus dimensiones espaciales están basadas en tama-
ños de deslizamientos publicados (Dietrich et al., 2001; Dietrich y Montgomery,
1998; Montgomery y Dietrich, 1994; Pack et al., 1997, 1998, 2001; Van Den al
Eeckhaut et al., 2005). En este estudio, la zona de deslizamiento de tierra artifi-
cial es identificada como el área de depleción. El área de evacuación y el depósito
no están incluidos en la zona de deslizamiento de tierra artificial. Dos criterios se
eligen para seleccionar el tamaño de píxel: a) Modelos Digitales de Elevación a 1,

5, 10 y 30 m de resolución horizontal, son típicos y ampliamente utilizados para
modelar deslizamientos de tierra; y b) la delimitación mínima legible de una zona
de deslizamiento de tierra. Debe haber al menos cuatro píxeles para representar
el área de un deslizamiento (Hengl, 2006).
El método de comparación entre “el modelo de predicción vs. el mapa del in-
ventario de deslizamientos” se utiliza para evaluar la modelación. El porcentaje de
superposición entre el mapa de susceptibilidad creado por los modelos y el mapa
del inventario de deslizamientos es la medida del grado de certeza con el cual
el modelo predice la realidad. Un esquema de categorización integrado por dos
clases (zona con deslizamientos y zonas sin deslizamientos) se utiliza para faci-
litar la comparación. Para LOGISNETSINMAP, las seis clases de IE se reclasifican
de la siguiente manera: a) el área con deslizamientos de tierra incluye la zona de
pendiente defendida o inestable, la zona de umbral más alto de estabilidad y la
zona de umbral más bajo de estabilidad; b) el área sin deslizamiento incluye
la zona estable, la zona modernamente estable y la zona casi-estable. Ambas clases
se basan en el criterio del modelo de estabilidad de pendiente-infinita del factor
de seguridad en la que los valores de IE mayores a uno son estables y los meno-
res a uno son inestables. Para LOGISNETRLM, el régimen de clasificación de dos
utiliza la probabilidad de 0.5 como el punto de ruptura (Dai et al., 2002). Los
valores superiores a 0.5 se clasifican como áreas con deslizamientos de tierra y los
menores que 0.5 se clasifican como áreas sin deslizamientos de tierra. Los mapas
de inventarios de deslizamientos fueron elaborados mediante el proceso de raste-
rización y con la misma resolución de los MDE usados.
El MDE teórico inicial se construyó a partir de un mapa topográfico, escala
1:10 000, con curvas de nivel a intervalos de 5 m. El mapa cubre el área afectada
por la erupción del volcán Paricutín (1943-1952) en la parte central del campo vol-
cánico de Michoacán-Guanajuato en México. El mapa fue publicado por el Ser-
vicio Geológico de Estados Unidos en 1946. El mapa analógico se digitalizó con
AutoCAD para su posterior incorporación en un SIG. De este mapa se seleccionó
la subárea de las laderas del volcán Capatzin al norte del volcán Paricutín. La Fi-
gura 1 muestra el área en estudio para obtener un MDE teórico a 1, 5, 10 y 30 m,
respectivamente, de resolución. Las curvas de nivel altimétricas a intervalos de
5 m, se transformaron posteriormente a un formato raster utilizando el programa
ILWIS SIG. Se utilizó una interpolación lineal para obtener el valor altimétrico de
cada píxel (Gorte y Koolhoven, 1990). La interpolación inicial se llevó a cabo a 1 m
de resolución para producir un MDE temporal de 800 columnas x 700 renglones.
El MDE temporal de 1 m de resolución se rotó a 90° hacia el este con el fin de
a) b) x=7100
y=7900
0
230
75
23
400
2350
2
x=6300
intervalo de 5m y=7200 intervalo de 25m
intervalo de 5m
Km m
0 5 0 500
Figura 1. Área utilizada para generar los MDE teóricos a 1, 5, 10 y 30 m de resolución.

a) Líneas altimétricas a intervalos de 5 m. El volcán Capatzin (resaltado con un cuadrado)
se utiliza como área de estudio teórica. b) Un acercamientos a las curvas de nivel del volcán
Capatzin.
facilitar la representación de áreas de deslizamientos que fueron creadas poste-

riormente en la zona oriental del volcán. Posteriormente, el MDE temporal fue
suavizado con un filtro de paso bajo usando ArcInfo. El filtro de paso bajo fue
aplicado iterativamente 500 veces en el MDE de 1 m de resolución utilizando una
ventana de 3x3 con un valor de 1.9 para el núcleo central. El proceso de suaviza-
ción se efectuó no solo para disminuir la rugosidad de la interpolación, sino tam-
bién para llenar cualquier área de deslizamiento de tierra pre-existente. El resul-
tante MDE de 1 m de resolución utilizado en esta prueba se muestra en la Figura
2. Se utilizó una modificación manual posterior de las curvas de nivel para crear
el deslizamiento artificial superficial y el de asentamiento-profundo. Sobre esta
modificación manual se realizó una interpolación lineal a fin de obtener nuevos
valores altimétricos. Estos nuevos valores altimétricos, de los deslizamientos arti-
ficiales superficial y del asentamiento-profundo re-emplazaron los valores altimé-
tricos del MDE de 1 m. La sustitución se llevó a cabo utilizando álgebra Boleana en
ArcInfo. A partir del MDE suavizado de 1 m de resolución y conteniendo los desli-
zamientos artificiales, se generaron MDE de 5, 10 y 30 m por el método de agrega-
a) b)
7100 7100
7000 7000
6900 6900
6800 6800
6700 6700
6600 6600
6500 6500
6400 m 6400 m
0 500 0 500
6300 6300
7200 7300 7400 7500 7600 7700 7800 7900 7200 7300 7400 7500 7600 7700 7800 7900
Figura 2. Vista planimétrica del MDE temporal y definitivo con resolución de 1 m. a) Repre-
sentación de la rotación temporal del MDE a 1 m de resolución usado para generar los MDE
teóricos a 1, 5, 10 y 30 m, respectivamente. b) MDE suavizadas por el filtro de paso bajo. El
suavizado del MDE proporciona la base para analizar el comportamiento de los modelo en
laderas sin deslizamientos.
ción. Para propósitos de identificación, los nombres de los MDE se dan en función
a su resolución horizontal: MDE1m, MDE5m, MDE10m y MDE30m (Figura 3).
El deslizamiento superficial es de 20 m de largo y 10 m de ancho y tie-
ne un escarpe de 1.6-3.5 m de profundidad. El deslizamiento de asentamiento-
profundo es de 120 m de largo por 50 de ancho y tiene un escarpe de 6-15 m de
profundidad. Se asume que todas las propiedades geotécnicas son las mismas a
lo largo de las laderas del MDE. Para LOGISNETSINMAP, un punto único de mues-
treo se coloca en el escarpe del deslizamiento de asentamiento-profundo. Las
propiedades geotécnicas del punto de muestreo (Tabla 2) se establecen con base
en valores publicados para un suelo pardo volcánico limo-arenoso que tiene 1 m
de espesor con baja a moderada permeabilidad (Simon et al., 2000; Simon y Co-
llison, 2002; Wawer y Nowocień, 2003; Legorreta, 1999; Selby, 1993). Ningún
punto de muestreo se coloca en el deslizamiento superficial ya que los valores
geotécnicos ocurren en toda el área del mapa.
LOGISNETRLM es implementado usando el método de RLM “backward” (re-
trospectivo). El método “backward” se refiere a examinar las variables dentro del
a) b) c)
5
237
0
235
5
232
00
23
m 0 m 100 0 m 500
0 500
d) e) f) g)
MDE1m MDE5m MDE10m MDE30m
m m m m
0 100 0 100 0 100 0 100
Figura 3. Pasos para construir los deslizamientos artificiales superficial y de asentamiento-

profundo. a) El área es seleccionada para ser afectada por los deslizamientos artificiales en el
MDE1m. b) Modificación manual de las curvas de nivel para producir el efecto de desliza-
miento. c) Representación planimétrica de la ladera afectada por el deslizamiento artificial
superficial y el de asentamiento-profundo. d) a g) Representación planimétrica del desliza-
miento artificial superficial y el de asentamiento-profundo a 1, 5, 10 y 30 m de resolución.
modelo para ver si alguna(s) de ella(s) debe(n) de ser eliminada(s). La RLM con el
método “backward” comienza el modelo con todas las variables independiente y
las va probando para ver cuál de éstas puede ser removida del modelo sin tener un
efecto sustancial sobre lo bien que el modelo se ajusta a los datos observados (Field,
2005). Se emplearon las mismas 13 variables independientes que LOGISNETSINMAP
utiliza, a fin de compararlo con LOGISNETRLM, éstas son: el MDE con corrección
de depresiones falsas (MDECDF), la dirección del flujo, la pendiente, el área de
contribución del flujo, la saturación, la densidad del suelo, el espesor del suelo,
el valor mínimo y máximo de transmisividad/lluvia total, la cohesión mínima y
máxima y el ángulo de fricción interna mínimo y máximo. Además, la probabi-
lidad de deslizamiento fue calculada mediante el uso de una muestra aleatoria de
igual número de píxeles para las zonas con y sin deslizamientos. Los porcentajes
del muestreo aleatorios para LOGISNETRLM fueron basados en la disponibilidad de
píxeles en las diferentes resoluciones (Tabla 3).
Con la muestra aleatoria a diferentes resoluciones, el análisis de multicoli-
nealidad y de regresión logística múltiple (RLM) se llevó a cabo. El diagnóstico
Tabla 2. Parámetros geotécnicos del punto de muestreo
Punto de Muestreo 1
MDE 1 m, 5 m, 10 m y 30 m
Capa del suelo (m) 1
Gravedad (m/s2) 9.81
Densidad del agua (kg/m3) 1 000
Densidad del suelo (kg/m3) 1 850
T/R Min (m) 1 259
T/R Max (m) 2 500
Cohesión Min (sin unidades*) 0.14
Cohesión Max (sin unidades*) 0.25
Phi Min (°) 30
Phi Max (°) 32
Espesor del suelo (cm) 100
Ponderación del usuario 1
* LOGISNETSINMAP requieren un factor de cohesión sin dimensión como entrada, que se obtiene divi-
diendo la cohesión (Pa) por la gravedad (m/s2), la densidad del suelo (kg/m3) y espesor del suelo (m).
Tabla 3. Proporción de píxeles con deslizamiento y sin deslizamiento bajo diferentes tamaños
de píxeles
MDE MDE1m MDE5m MDE10m MDE30m

# píxeles con deslizamiento 10 764 428 109 13
# píxeles sin deslizamiento 79 236 3 172 791 87
# total de píxeles 90 000 3 600 900 100
% de esquema de muestreo 2 10 40 80
# de muestreo de píxeles para áreas con 215 43 44 10
deslizamiento
# de muestreo de píxeles para áreas sin 215 43 44 10
deslizamiento
# total de píxeles muestreado 431 86 87 21
% píxeles muestreados en el MDE 0.48 2.38 9.69 20.80
de multicolinealidad se calcula utilizando el factor de inflación de varianza (VIF),

(Pallant, 2005). Con la evaluación de los resultados del modelo de LOGISNETRLM
la probabilidad de deslizamientos se asignó píxel por píxel con base en la función
logística (Legorreta y Bursik, 2008).
Modelado en condiciones naturales
El área en estudio en condiciones naturales reales se encuentra cerca de la auto-

pista 101 en el condado del Norte en California, Estados Unidos (Figura 4). En
la zona, deslizamientos de tierra a lo largo de la costa entre Wilson Creek y Cres-
cent City crean una situación potencialmente peligrosa para personas y propieda-
des. Más de 200 deslizamientos de tierra han sido cartografiados por el Servicio
Geológico de California y el Departamento de Transportes de California. El
área en estudio es propensa a deslizamientos de tierra debido a la combinación de
varios factores, tales como la alta precipitación (2 583.94 mm/año), trastornos al
uso del suelo causados por la tala intensiva y la construcción de carreteras para la
extracción de las maderas, la debilidad y alto grado de meteorización de las rocas,
así como por sus laderas de fuerte pendiente (Madej et al., 1986; Wills, 2000).
Los tipos de rocas en el área pertenecen principalmente al Complejo Fran-
ciscano, el cual representa un complejo de acreción formado por subducción de
la placa oceánica (la placa Farallón) con el margen occidental de la placa conti-
nental de América del Norte. Éste abarca un intervalo de tiempo entre el Jurásico
tardío hasta principios de Cretácico (Madej et al., 1986; Wills, 2000).
En el área en estudio las siguientes limitaciones fueron identificadas:
a) LOGISNETSINMAP está diseñado para predecir deslizamientos superficiales y en
Figura 4. Área en estudio en

la autopista 101 en el norte
de la provincia fisiográfica
Coast and Range de Cali-
fornia, Estados Unidos.
ella, el mapa del inventario de deslizamientos del Servicio Geológico de California

muestra que hay un predominio de deslizamientos de asentamiento-profundo,
lo cual enmascara junto con la abundante vegetación muchos de los pequeños
deslizamientos superficiales (Wills, 2000) y b) si bien el mapa del inventario de
deslizamientos tiene una base de datos, ésta no cuenta con la información geo-
técnica necesaria para alimentar los modelos. Para disminuir tales limitaciones se
realizó trabajo de campo a fin de colectar información geotécnica; durante éste se
verificó el 35% de los deslizamientos superficiales. El mapa del inventario de des-
lizamientos superficiales del área en estudio fue establecido como resultado de la
combinación del mapa del inventario de deslizamientos del Servicio Geológico
de California y el trabajo de campo realizado en abril y mayo del 2005.
Un total de 107 muestras fueron tomadas en áreas con y sin deslizamientos
de tierra y llevadas al laboratorio para realizar las pruebas geotécnicas corres-
pondientes y así poder obtener el ángulo de fricción interna y la cohesión de
los materiales. En el laboratorio se obtuvo la infiltración y la transmisividad.
Los datos de campo fueron complementados con tablas geotécnicas publicadas.
Toda esta información fue integrada dentro del SIG. Las estrategias de muestreo
para LOGISNETSINMAP y para la LOGISNETRLM se diseñaron de diferente manera
a fin de obtener un mejor rendimiento. Los sitios de muestreo para el análisis de
LOGISNETRLM fueron tomados en el escarpe de las zonas de deslizamiento y en
zonas sin deslizamiento, en tanto que los sitios de muestreo para LOGISNETSINMAP
fueron tomados únicamente de los escarpes.
LOGISNETRLM fue calculado utilizando el método “backward” (Field, 2005).
El análisis mostró que de las 13 variables estudiadas únicamente la pendiente, la
saturación y la cohesión mínima contribuyen al modelo. Con la estimación del
interceptor y de los coeficientes β’s para la pendiente, la saturación y la cohesión
mínima, la probabilidad de deslizamientos fue asignada píxel por píxel con base
en la función logística. Varias pruebas se llevaron a cabo para evaluar si el inter-
ceptor y los coeficientes β del modelo de LOGISNETRLM eran lo suficientemente
robustos para hacer del modelo un modelo confiable (Tabla 4). Las estadísticas
mostraron que LOGISNETRLM es confiable.
La prueba de Hosmer y Lemeshow y su grado de significación se utilizan
para evaluar el nivel de ajuste del modelo elegido a los datos. Esta estadística
pone a prueba la hipótesis de que los datos observados son significativamente
diferentes de los valores predichos por el modelo (Ibid.). Para apoyar el modelo,
el valor en esta prueba no debe ser significativo. La prueba de Hosmer y Lemes-
how demostró que los resultados no fueron significativos, por lo que el modelo
estimado de LOGISNETRLM no difiere significativamente de los datos reales. A tra-
vés de un valor de 0.677 (Significancia de Hosmer y Lemeshow) se muestra que

el modelo de LOGISNETRLM se ajusta correctamente a los datos reales. En otras
palabras, el modelo calculado por LOGISNETRLM puede predecir el mundo real
bastante bien. Sin embargo, en este ejemplo, los dos valores de R 2 (0.266 y 0.372)
sugieren que solo entre 26.6 y el 37.2% de la variabilidad en los deslizamientos
dentro del modelo puede ser explicada por las variables de la pendiente, la satu-
ración y la cohesión mínima (Prueba de R 2 de Cox & Snell y Nagelkerke). La
confiabilidad del interceptor y de los coeficientes β es evaluada con la prueba de
Wald (Tabla 4) y su grado de significación (WSig. en la Tabla 4). Esta prueba se
utiliza para comprobar la hipótesis de cero interceptor (Ibid.). Las variables que
tienen valores significativos menores que 0.05 son las que contribuyen significa-
tivamente a la capacidad predictiva del modelo (Pallant, 2005). Los valores del
“WSig.” (importancia de la prueba de Wald) de la pendiente, saturación y cohe-
sión mínima son menores a 0.05, lo que significa que las variables contribuyen de
manera significativa al modelo.
En la Tabla 4 también se muestran las razones de probabilidades (Exp (β))
y sus intervalos de confianza superior e inferior (95% IC Exp (β)). El Exp (β)
representa el cambio en la probabilidad que resulta del cambio en una unidad en
las variables independientes o predictoras. Cualquier interpretación que se haga
de las razones de posibilidades quedará limitada a poder ser generalizada, si el
intervalo de confianza de Exp (β) contiene el valor de 1 (Field, 2005). En este
caso, ninguno de los valores del intervalo de confianza para cada una de las tres
variables atraviesa el valor de 1, lo que indica que la dirección de esta relación es
estable en la población en su conjunto.
La comparación de LOGISNETSINMAP y de LOGISNETRLM se muestra en la
Figura 5. Con un píxel de 30 m de resolución, LOGISNETSINMAP y LOGISNETRLM
parecen reflejar más las condiciones topográficas del terreno que la geomorfología
de los deslizamientos. Al parecer, los modelos se limitan a detectar zonas escar-
padas en lugar de detectar deslizamientos. Los resultados de LOGISNETSINMAP
(Figura 5b) muestran alta inestabilidad a lo largo de la costa, donde los des-
lizamientos de roca predominan, así como a lo largo de las gargantas donde
predominan las fuertes pendientes. Sin embargo, el modelo no detecta muchos
de los deslizamientos de tierra pre-existentes en la zona de terrenos montañosos,
donde los deslizamientos superficiales se encuentran incluidos dentro de los de
asentamiento-profundo. Los resultados de la LOGISNETRLM muestran una mejor
correspondencia con el mapa del inventario de deslizamientos (Figura 5c). Sin
embargo, la coincidencia no es perfecta, y una sobrepredicción es evidente. Para
evaluar el rendimiento de los modelos, se realizó un análisis cuantitativo por
Tabla 4. Coeficientes, forma logística y conjunto de estadísticas usadas en LOGISNETRLM
LOGISNETRLM (Método retrospectivo)

95% I.C. para EXP(β)
WSig
Exp(β)
Variable
Coeficiente
Inferior
Superior
Error estándar
Prueba de Wald
Grados de libertad
Interceptor 6.224 2.146 8.410 1 0.004 5.046E+02
Pendiente -0.154 0.032 22.914 1 0.000 0.857 0.805 0.913
Saturación -2.494 0.964 6.689 1 0.010 0.083 0.012 0.547
Cohesión 0.079 0.026 9.428 1 0.002 1.082 1.029 1.138
min.
Forma 1 / {1 +Exp-[-2.525 + Pendientes (-0.154) + Saturación (-2.496) + Cohesión mínima (0.079)]}
logística
Prueba de Hosmer and
Modelo Lemeshow
% Total de -2log Cox & Grados Grados

Nagelkerke Chi2 de Significancia Chi2 de Significancia
clasificación likelihood Snell R 2 R2 libertad libertad
77.500 134.906 0.266 0.372 36.863 3 0.000 5.734 8 0.677
a) b) c)
LANDSLIDE LOGISNETSINMAP LOGISNETRLM

INVENTORY MAP
RLM probabilidad
0 - 0.1
0.1 - 0.2
Índice de estabilidad 0.2 - 0.3
0.3 - 0.4
Zona estable
0.4 - 0.5
Flujo de escombros Zona moderadamente estable
0.5 - 0.6
Zona casi-estable
Deslizamiento de escombros 0.6 - 0.7
Zona de umbral más bajo de estabilidad
Flujo de tierra 0.7 - 0.8
Zona de umbral más alto de estabilidad
Deslizamiento de rocas 0.8 - 0.9
Zona de pendiente defendida o inestable
0.9 -1
Sin información
km 0 km 4 0 km 4
0 4
Figura 5. Mapa del inventario de deslizamientos y la predicción de los modelos LOGISNETSINMAP y LOGISNETRLM.
medio de una tabla cruzada entre el resultante mapa de los modelos y el mapa
del inventario de deslizamientos. La Tabla 5 muestra la precisión del productor
(Produce’s accuracy), ésta representa la razón entre el número de píxeles clasifi-
cados correctamente en cada categoría y el número total de píxeles verdaderos
para esa categoría), la precisión del usuario (User´s accuracy), calculada como la
razón entre el número de píxeles correctamente clasificados en cada categoría y el
número total de píxeles que están clasificados por el modelo en esa categoría, y la
eficiencia del modelo (Model efficiency), calculado como la razón del número de
píxeles indicados correctamente como píxeles de deslizamiento menos el número
de píxeles indicados incorrectamente como píxeles de deslizamiento de tierra
entre el número total de los píxeles que representan verdaderos deslizamientos en
el mapa del inventario de deslizamientos. La eficiencia del modelo tiene un valor
máximo de 1 cuando el modelo ha indicado todos los deslizamientos de tierra
correctamente, y tiene un valor negativo cuando el número de deslizamientos de
tierra incorrectamente indicados por el modelo es mayor que el número de des-
lizamientos de tierra correctamente predecido (Van Den Eeckhaut et al., 2005;
Tabla 5).
La precisión del productor muestra que la predicción de LOGISNETRLM tie-
ne mejor coincidencia (79.91%) con el mapa del inventario de deslizamientos
en comparación con LOGISNETSINMAP (46.49%). Ambos modelos tienen un bajo
porcentaje de píxeles de deslizamiento de tierra que efectivamente representan los
deslizamientos en el mapa del inventario de deslizamientos (precisión de usua-
rio). El coeficiente Kappa para LOGISNETRLM posee un valor de 0.6658, lo que
indica que las clasificaciones son 66.58% mejores que las esperables al azar. Por
su parte, LOGISNETSINMAP posee un valor de 0.3317, lo que indica que las clasifi-
caciones son muy cercanas al azar. Los dos modelos predicen más píxeles de des-
lizamiento incorrecta que correctamente (eficiencia del modelo). LOGISNETRLM
Tabla 5. Precisión del productor, precisión del usuario y eficiencia del modelo
LOGISNETSINMAP LOGISNETRLM
(con datos de campo) (Método ”bakcward”)
Área de deslizamiento Área de deslizamiento
Precisión del productor 46.49 79.91
Precisión del usuario 17.49 17.43
Eficiencia del modelo -1.73 -2.99
Índice Kappa 0.3317 0.6658
tiende a sobrepredecir deslizamientos de tierra usando un píxel de 30 m. Esta so-

brepredicción hace que LOGISNETRLM tenga una mejor coincidencia con el mapa
del inventario de deslizamientos en zonas con deslizamientos de tierra en compa-
ración con LOGISNETSINMAP. Sin embargo, sus valores en las pruebas de precisión
del usuario y eficiencia del modelo son bajos debido a su sobrepredicción. Ésta
conduce a que más zonas sin deslizamientos sean clasificadas incorrectamente
como zonas de deslizamiento en el modelo. Por el contrario, LOGISNETSINMAP
tiende a subpredecir. LOGISNETSINMAP, con datos calibrados, tiene una mayor
precisión de usuario y eficiencia del modelo en el área en estudio. No obstante,
LOGISNETSINMAP no identifica deslizamientos de tierra existentes. Para explicar
el antagonismo estadístico, se sugiere que la precisión de usuario y la eficien-
cia del modelo favorecen a LOGISNETSINMAP, porque las zonas de deslizamientos
identificadas por el modelo son menores que las áreas sin deslizamiento en el
mapa del inventario de deslizamientos. Esto no quiere decir que el modelo de
LOGISNETRLM funciona inadecuadamente comparado con LOGISNETSINMAP, ya
que LOGISNETRLM fue calculado usando solo tres de las 13 variables originales
que LOGISNETSINMAP usa. LOGISNETRLM obtuvo resultados tan razonables como
LOGISNETSINMAP aun considerando un número mucho menor de variables.
Con base en estos resultados en condiciones reales o naturales, se observa
que LOGISNETRLM tiene sobrepreedición de deslizamientos y que LOGISNETSINMAP
subpredice deslizamientos. Algunos autores prefieren la sobrepreedición porque
representa un potencial de futuras áreas de deslizamientos (Borga et al., 2002a;
Chinnayakanahalli et al., 2003). Esto conlleva a plantearse si ¿la sobrepreedición
o subpredicción de los modelos es constante a diferentes escalas? Para responder,
es necesario realizar una validación teórica de los modelos bajo condiciones es-
trictamente controladas, a fin de comprender su comportamiento. La validación
no es posible realizarla en condiciones naturales debido a que cualquier resultado
obtenido está sujeto a problemas concomitantes naturales (tipo de deslizamiento,
enmascaramiento por vegetación, etc.) y técnicos (escala del mapa, veracidad
del inventario de deslizamientos, etc.). Estos problemas hacen que en condicio-
nes naturales, nunca sea posible demostrar la “validez” de un modelo ambiental
(Oreskes, 1998 citado por Zaitchik et al., 2003).
Modelado en condiciones teóricas
Para el modelado a diferentes resoluciones se deben considerar aquellos cambios

que ocurren en la forma, el área y el volumen de los deslizamientos superficiales y
de asentamiento-profundo al pasar del formato vectorial al raster. Así por ejem-

plo, la forma lineal del límite del deslizamiento de tierra es remplazada por una
forma pixelada durante el proceso de rasterización. La Figura 6 presenta el núme-
ro de píxeles utilizados para representar a un deslizamiento superficial con una
superficie de 278.8 m2 y un deslizamiento de asentamiento-profundo con una
superficie de 10 477.8 m2. En el proceso de agregación de 1 de 5, 10 y 30 m, el
número de píxeles utilizados para representar las áreas de los deslizamientos dis-
minuye a medida que aumenta el tamaño de píxel. Para el deslizamiento super-
ficial, el número de píxeles disminuye de 280 píxeles con una resolución de píxel
de 1 m a cero con 30 m de resolución. Para el deslizamiento de asentamiento-
profundo, el número de píxeles disminuye de 10 484 píxeles con una resolución
de 1 m a 13 píxeles con 30 m de resolución (Figura 6).
Desde el punto de vista cartográfico, el número de píxeles debe ser por lo menos
2x2 para poder representar los objetos redondos pequeños, y al menos de dos píxe-
les para representar el ancho de objetos alargados (Hengl, 2006). Con el MDE30m,
el deslizamiento superficial no tiene una representación espacial en el mapa.
Aunque el deslizamiento superficial tiene tres píxeles en el MDE10m, esto no es
suficiente para tener una buena representación cartográfica. Por lo tanto,
deslizamientos superficiales pequeños (del tamaño empleado en esta prueba) no
pueden ser detectados por LOGISNETSINMAP y por LOGISNETRLM con MDE10m y
MDE30m.
100000
Deslizamiento 10484 Deslizamiento
10000 superficial de asentamiento-profundo
#PIXELES
1000 280 417

106
100
11 13
10 3
0
0
1m 5m 10m 30m 1m 5m 10m 30m
TAMAÑO DEL PIXEL
Figura 6. Efecto de la agregación de píxeles en el número de píxeles para representar los des-
lizamientos superficiales y de asentamiento-profundo.
Desde el punto de vista cartográfico, el deslizamiento de asentamiento-

profundo está representado por un número suficiente de píxeles (13) usando la
resolución del MDE30m. Sin embargo, LOGISNETRLM podría fallar en distinguir
zonas de deslizamiento y zonas no afectadas por deslizamientos debido al peque-
ño número de píxeles disponibles. Estadísticamente, LOGISNETRLM necesita al
menos 15 muestras por variable geotécnicos para realizar un análisis apropiado.
Los mapas resultantes de LOGISNETSINMAP y LOGISNETRLM, a 1, 5, 10 y 30 m
fueron comparados con el mapa del inventario de deslizamientos a la misma re-
solución (Figura 7). Los mapas de predicción de LOGISNETSINMAP con el MDE5m
y el MDE10m se asemejan a la predicción espacial de deslizamientos calculados
con el MDE1m. Sin embargo, a 30 m de resolución hay un cambio en la pre-
dicción espacial del patrón de deslizamiento: el deslizamiento superficial no se
muestra porque los píxeles son muy burdos en el MDE. Por consiguiente, el mo-
delo tiene la tendencia a sesgar su predicción hacia la clase de zonas sin desliza-
mientos. En una resolución de 1 m, la detección de los deslizamientos existentes
superficiales y de asentamiento-profundo por parte de LOGISNETRLM es casi dos
veces mejor que la hecha por LOGISNETSINMAP. No obstante, para LOGISNETRLM a
medida que aumenta el tamaño del píxel, la capacidad de predicción disminuye
incluso con un alto porcentaje de muestreo. Por ejemplo, con una resolución de
1 m, LOGISNETRLM requiere de un muestreo de alrededor del 2% para obtener
resultados satisfactorios, pero con una resolución de 5 m, LOGISNETRLM requiere
de un muestreo del 10% para obtener el resultado, el cual es un mapa con so-
brepredicción de áreas susceptibles a deslizamientos. A los 10 m de resolución,
LOGISNETRLM requiere de un muestreo del 40%, y a 30 m de resolución del 80%,
para obtener sus resultados, que son pobres y no válidos estadísticamente (Tablas
6, 7, 8 y 9). En la búsqueda de estadísticas válidas con píxeles de 10 y 30 m de
resolución, LOGISNETRLM se vuelve inútil, ya que la mayoría de los deslizamientos
existentes fueron identificados y utilizados para realizar la muestra estadística.
La validez para los modelos de LOGISNETRLM es mostrada en las Tablas 6 a
9, éstas expresan los resultados del análisis de multicolinealidad y de regresión
logística múltiple realizado a diferentes resoluciones. Por ejemplo, para una re-
solución 1 m y con muestreo aleatorio del 2%, el análisis de multicolinealidad
calculado como el factor de inflación de varianza (VIF), (Pallant, 2005) muestra
que la altimetría, la pendiente, el área de contribución y la saturación pueden ser
utilizadas en el análisis de LOGISNETRLM (Tabla 6). Estas cuatro variables están
estrechamente relacionadas con la probabilidad de la distribución para la variable
dependiente (áreas con deslizamientos o sin deslizamientos), pero no fuertemente
relacionadas entre sí. La Tabla 6 también muestra la regresión logística múltiple
Mapa invetario LOGISNETSINMAP LOGISNETRLM
{
{
{ ÍNDICE DE ESTABILIDAD
Zona estable
Zona moderadamente estable
Zona casi-estable
RLM probabilidad
0 - 0.1
0.1 - 0.2
0.2 - 0.3
0.3 - 0.4
Zona de umbral más bajo de estabilidad
0.4 - 0.5
Zona de umbral más alto de estabilidad 0.5 - 0.6
Zona de pendiente defendida o inestable 0.6 - 0.7
Sin información 0.7 - 0.8
0.8 - 0.9
Deslizamiento Deslizamiento
0.9 - 1
Deslizamiento
Tamaño
{
Sin Deslizamiento Sin Deslizamiento Sin Deslizamiento
de pixel
a) b) c) d) e)
1m
{
e) f) g) h) i)
5m
{
j) k) l) m) n)
10m
{
o) p) q) r) s)
30m
Figura 7. a), e), j), y o) Mapa del inventario de deslizamientos con una resolución de 1 m, 5,
10 y 30 m. b), f), k), y p) LOGISNETSINMAP con una resolución de 1, 5, 10 y 30 m y con sus seis
clases de IE. c), g), l), y q) LOGISNETSINMAP con una resolución de 1, 5, 10 y 30 m y con un
esquema de clasificación de dos clases. d), h), m) y r) modelos LOGISNETRLM con una resolu-
ción de 1, 5, 10, 30 m y con diez clases de probabilidad. e), i), n) y s) modelos LOGISNETRLM
a 1, 5, 10 y 30 m y con un esquema de clasificación de dos clases.
Tabla 6. Coeficientes, forma logística, y conjunto de estadísticas usadas en LOGISNETRLM con el MDE1m y con un esquema de
muestreo aleatorio del 2%
RLM (1m) con 2% de muestreo aleatorio

95% I.C. para
EXP(β)
WSig
Exp(β)
Variable
Coeficiente
colinealidad
Inferior
Error estándar
Estadísticas de
Superior
Prueba de Wald
Grados de libertad
Interceptor 36.085 11.813 9.331 1 0.002 4.692E+15 VIF
MDECDF -0.015 0.005 8.582 1 0.003 0.985 0.976 0.995 1.024
Pendiente 4.449 0.608 53.601 1 0.000 85.506 25.989 281.326 1.178
Área de
contribución -1.931 0.228 71.798 1 0.000 0.145 0.093 0.227 1.097
de flujo
Saturación 2.102 0.797 6.952 1 0.008 8.185 1.715 39.061 1.081
Forma 1 /{ 1 +Exp-[36.085 + MDECDF (-0.015) + Pendientes (4.449) + Área de contribución de flujo (-1.193) +
logística Saturación (2.102)]}
Modelo Prueba de Hosmer and Lemeshow
% Total de -2log Cox & Grados

Nagelkerke Chi2 de Significancia Chi2 Grados de
clasificación likelihood Snell R 2 HLSig.
R2 libertad libertad
80.094 373.961 0.400 0.533 217.985 4 0.000 9.111 8 0.333

Tabla 7. Coeficientes, forma logística, y conjunto de estadísticas usadas en LOGISNETRLM con el MDE5m y con un esquema de mues-
treo aleatorio del 10%

WSig
Exp(β)
Inferior Superior
Variable
Coeficiente
colinealidad
Error estándar
Estadísticas de
Prueba de Wald
Grados de libertad
Interceptor -58.890 18.249 10.413 1 0.001 2.656E-26 VIF
Pendiente -44.735 14.639 9.339 1 0.002 0.000 0.000 0.000 4.089
Área de
contribución 50.512 15.297 10.903 1 0.001 8.653E+21 8.243E+08 9.083E+34 2.370
de flujo
Saturación -107.751 32.133 11.245 1 0.001 0.000 0.000 0.000 3.490
Forma 1 / {1 +Exp-[-58.890 + Pendientes (-44.735) + Área de contribución de flujo (50.512) + Saturación (-107.751)]}
logística
Modelo Hosmer and Lemeshow Test

Nagelkerke Chi2 de Significancia Chi2 Grados de
clasificación likelihood Snell R 2 HLSig.
87.654 50.591 0.533 0.711 61.687 3 0.000 13.115 8 0.108

Tabla 8. Coeficientes, forma logística, y conjunto de estadísticas usadas en LOGISNETRLM con el MDE10m y con un esquema de
muestreo aleatorio del 40%

95% I.C. para
EXP(β)
WSig
Exp(β)
Variable
Inferior Superior
Coeficiente
colinealidad
Error estándar
Estadísticas de
Prueba de Wald
Grados de libertad
MDECDF -0.019 0.011 2.721 1 0.099 0.981 0.959 1.004 1.201
Pendiente 4.895 1.378 12.613 1 0.000 133.630 8.967 1991.309 1.996
Forma 1 /{ 1 +Exp-[41.987 + MDECDF (-0.019) + Pendientes (4.895)]}
logística

Nagelkerke Grados de
clasificación likelihood Snell R 2 Chi2 Significancia Chi2 de HLSig.
62.821 87.649 0.226 0.302 20.020 2 0.000 4.565 8 0.803
Tabla 9. Coeficientes, forma logística, y conjunto de estadísticas usadas en LOGISNETRLM con el MDE30m y con un esquema de mues-
treo aleatorio del 80%

WSig
Exp(β)
Inferior Superior
Variable
Coeficiente
colinealidad
Error estándar
Estadísticas de
Prueba de Wald
Grados de libertad
MDECDF -0.097 0.055 3.106 1 0.053 0.908 0.815 1.011 2.049
Pendiente 14.622 7.552 3.749 1 0.079 2239386.196 0.836 6.000E+12 3.163
Forma 1 /{ 1 +Exp-[218.821 + MDECDF (-0.097) + Pendientes (14.622)]}
logística
% Total de -2log Cox & Nagelkerke Grados de Grados de
clasificación likelihood Snell R 2 Chi2 Significancia Chi2 HLSig.
76.471 15.886 0.361 0.482 7.622 2 0.022 4.663 7 0.701
y las pruebas que se llevaron a cabo para validar al modelo. Se muestra el in-
terceptor β y los coeficientes β. Los valores de los coeficientes β representan la
contribución de las variables independientes a las variaciones en la variable de-
pendiente. En el análisis de LOGISNETRLM, el interceptor β y los coeficientes β
se estiman por la Estimación de Máxima Verosimilitud (Kleinbaum y Klein,
2002). En el caso de la resolución de 1 m, los valores del “WSig.” (importancia
de la prueba de Wald en la Tabla 6) de la altimetría, la pendiente, el área de
contribución y la saturación son menores a 0.05, lo que significa que las variables
contribuyen significativamente al modelo.
En la Tabla 6 también se muestran las razones de probabilidades (Exp (β))
y sus intervalos de confianza superior e inferior (95% IC Exp (β)). En este caso,
ninguno de los valores del intervalo de confianza para cada una de las cuatro
variables atraviesa el valor de 1.
Los valores no significativos de la prueba de Hosmer y Lemeshow (HLSig. en
la Tabla 6) para las cuatro variables muestran que LOGISNETRLM puede predecir el
mundo real con certeza. Una correlación parcial entre las variables dependientes
e independientes es calculada con la prueba de R 2 de Cox y Snell y Nagelkerke
(Field, 2005). En este ejemplo, los dos valores de R 2 (0.400 y 0.533) indican que
entre el 40 y el 53.3% de la variabilidad de deslizamientos puede ser explicada
por las variables altimetría, pendiente, área de contribución y saturación.
La Tabla 10 muestra la evaluación de los dos modelos en términos de la pre-
cisión del productor y del usuario y de la eficiencia del modelo. A 1 m de resolu-
ción, la precisión del productor muestra que LOGISNETRLM tiene una mejor coin-
cidencia (71.01%) entre su predicción y el mapa del inventario de deslizamientos
en comparación con LOGISNETSINMAP (37.62%). Cada uno de los modelos tiene
más de 50% de píxeles categorizados como de deslizamiento que en realidad
representan deslizamientos en el mapa del inventario (precisión del usuario), y
ambos modelos predicen más píxeles clasificados de manera correcta como desli-
zamientos que de forma incorrecta (eficiencia del modelo).
A los 5 y 10 m de resolución, la predicción de LOGISNETSINMAP es constante,
con la precisión del productor y del usuario similar a las de 1 m. A los 30 m de
resolución, LOGISNETSINMAP decrece aún más su coincidencia con el mapa del
inventario de deslizamientos.
A los 5, 10 y 30 m de resolución, la predicción de LOGISNETRLM no es cons-
tante. LOGISNETRLM tiende a sobrepredecir deslizamientos. A 5 m de resolución,
la sobrepredicción hace que el modelo de LOGISNETRLM emule mejor al mapa
del inventario de deslizamientos (93.69%) en comparación con LOGISNETSINMAP
(34.81%). Sin embargo, este exceso de predicción hace que la precisión del usua-
Tabla 10. Precisión del productor, precisión del usuario y eficiencia del modelo
Deslizamiento LOGISNETSINMAP (30 m)

Deslizamiento LOGISNETSINMAP (10 m)
LOGISNETSINMAP (5 m)
LOGISNETSINMAP (1 m)
LOGISNETRLM (30 m)
LOGISNETRLM (10 m)
LOGISNETRLM (5 m)
LOGISNETRLM (1 m)
Deslizamiento
Deslizamiento
Deslizamiento
Deslizamiento
Deslizamiento
Deslizamiento
Precisión 37.62 34.81 35.78 15.38 71.01 93.69 61.47 46.15
del productor
Precisión 58.88 52.65 54.93 25 57.75 35.96 24.81 26.09
del usuario
Eficiencia 0.11 0.04 0.06 -0.31 0.19 -0.73 -1.25 -0.85
del modelo
Índice 0.3246 0.2925 0.3028 0.0803 0.6601 0.9086 0.4495 0.3007
Kappa
rio sea baja (35.96%) y la eficiencia del modelo sea negativa (-0.73). La sobrepre-
dicción conduce a que más zonas sin deslizamientos sean clasificadas incorrecta-
mente como zonas de deslizamiento en el modelo. Asimismo, como parte de la
sobrepredicción, la forma de los deslizamientos se oculta y el escarpe principal no
queda bien definido.
El bajo rendimiento de LOGISNETRLM a 10 y a 30 m era de esperarse debido
a que el pre-test (Tabla 8 y 9) sugiere que los modelos no son estadísticamente
válidos para la predicción de deslizamientos. A pesar de que la precisión del pro-
ductor es razonables los resultados de LOGISNETRLM son pobres y con valores de
predicción extremos. El valor bajo de la precisión del usuario indica que 75.19%
de los píxeles a 10 m de resolución y 73.91% a 30 m de resolución identificados
en la predicción como de deslizamientos están incorrectamente incluidos en la
categoría de deslizamientos de tierra. Esto se confirma por el valor negativo alto
que tiene la eficiencia del modelo (Tabla 10).
Con base en los resultados teóricos se sugiere que, en general,

LOGISNETSINMAP tiende a subpredecir las áreas con deslizamientos, mientras
que LOGISNETRLM tiende a sobrepredecirlas. Para cada modelo se hicieron las
siguientes observaciones: a) la predicción de deslizamientos de tierra de
LOGISNETSINMAP se ve menos afectada por la resolución de píxel; b) la predic-
ción del modelo LOGISNETSINMAP es relativamente constante a 1, 5 y 10 m de
resolución, pero la detección de deslizamientos existentes es baja; c) indepen-
dientemente de los efectos del tamaño de píxel, los mapas de susceptibilidad y
sus estadísticas a 1, 5, 10 y 30 m de resolución muestran que LOGISNETSINMAP
es capaz de detectar no solo deslizamientos superficiales, sino también los de
asentamiento-profundo; d) LOGISNETSINMAP tiene la capacidad de predecir desli-
zamientos de asentamiento-profundo, siempre y cuando el deslizamiento tenga
suficiente representación cartográfica; e) con 1 m de resolución, LOGISNETRLM
posee una mejor detección de deslizamientos que LOGISNETSINMAP, sin embargo,
a 5 m de resolución, la forma del deslizamiento de tierra queda oculta y el escarpe
del deslizamiento no puede definirse con precisión como resultado del exceso de
sobrepredicción, a pesar de que el modelo es estadísticamente válido (Tabla 7);
f) con 10 y 30 m de resolución, LOGISNETRLM no es estadísticamente válido; con-
forme el tamaño del píxel se incrementa, es difícil obtener muestras dentro del
MDE para entrenar al modelo, ya que disminuye la disponibilidad de píxeles con
los cuales el modelo separa los prototipos elegidos como representantes de zonas
con deslizamiento y de zonas sin deslizamiento.
Conclusiones
En este trabajo se introdujo la aplicación de LOGISNETSINMAP y LOGISNETRLM

al modelado de deslizamientos bajo condiciones naturales a fin de esbozar las
ventajas y limitaciones de dichos modelos. Ambos modelos poseen un moderado
grado de concordancia con el mapa del inventario de deslizamientos. En el caso
de LOGISNETSINMAP, el modelo tiende a la subpredicción. La disponibilidad y
empleo de datos geotécnicos calibrados sugería desde un principio la mejor fun-
cionalidad de los modelos. Sin embargo, los resultados de esta prueba no ilustran
adecuadamente esta conjetura y por el contrario, proporcionan elementos para
cuestionar la idea de utilizar LOGISNETSINMAP en la generación de mapas de sus-
ceptibilidad, debido a que la complejidad del trabajo que se requiere para obtener
los parámetros geotécnicos en campo es muy elevada en comparación con los
resultados arrojados por el modelo. En el caso de LOGISNETRLM, el modelo es
capaz de predecir deslizamientos existentes en el mapa del inventario de desliza-

mientos en una mayor proporción debido a que el modelo tiende a sobrepredecir,
sin embargo, esta sobrepredicción hace que el modelo tenga una baja precisión de
usuario y eficiencia del modelo.
El moderado rendimiento de los modelos en la identificación de áreas po-
tenciales con deslizamientos puede ser justificado por la insuficiente resolución
del MDE o por la falta de un mapa del inventario de deslizamientos completo. No
obstante, aunque se contara con un MDE de alta resolución y con un mapa del
inventario de deslizamientos exhaustivo, sería difícil evaluar a los modelos a una
escala regional debido a la complejidad de otros problemas fisiográficos y geoló-
gicos de la zona; la complejidad natural en una región puede inducir a errores
en la estimación de deslizamientos por parte de modelos. La moderada similitud
entre la predicción de los modelos y el mapa del inventario de deslizamientos
ilustra claramente que los modelos no son exactos en condiciones naturales. Ante
esta situación se introdujo la aplicación de una evaluación teórica de los modelos,
mediante la cual se pudo confirmar que LOGISNETSINMAP y LOGISNETRLM tienden
a subpredecir y a sobrepredecir, respectivamente. También la evaluación mostró
que conforme el tamaño del píxel se vuelve más grande, los deslizamientos su-
perficiales (20 m x 10 m) y los deslizamientos de asentamiento-profundo (120 m
x 50 m) pierden representación cartográfica. Con la disminución del número de
píxeles, la detección de pequeños deslizamientos superficiales se hace más difícil,
especialmente con 10 y 30 m de resolución. A los 30 m de resolución, un desliza-
miento de tierra superficial de 20 m x 10 m o menor es anulado del MDE. En el
caso del deslizamiento de asentamiento-profundo, la obliteración es menos pro-
blemática, ya que un deslizamiento de asentamiento-profundo es generalmente
de proporciones mayores.
LOGISNETSINMAP consistentemente subpredice deslizamientos a 1, 5 y 10
m de resolución. Con 30 m de resolución, la predicción de LOGISNETSINMAP es
ineficiente. LOGISNETRLM sobrepredice. Con una resolución de 1 m, LOGISNETRLM
es un modelo más exitoso y flexible comparado con LOGISNETSINMAP porque
LOGISNETRLM obtiene resultados similares o mejores usando pocas variables. Sin
embargo, los resultados de LOGISNETRLM se ven muy afectados por el tamaño
de píxel; con MDE de píxel grande es difícil obtener estadísticas para separar las
zonas de deslizamiento de las zonas sin deslizamiento, e incluso con un alto por-
centaje de muestreo, el modelo no es válido. Sin embargo, LOGISNETRLM tiene la
posibilidad de incluir otras variables a fin de mejorar su rendimiento en compara-
ción con LOGISNETSINMAP. Además, con una resolución más fina, LOGISNETRLM,
podría funcionar bien a escala regional bajo condiciones de alta densidad de

deslizamientos, ya que, a escala regional, la toma de muestras para entrenar al
modelo podría ser lo suficientemente extensiva para poder generar estadísticas
válidas que proporcionen a los modelos elementos suficientes que les permitan
identificar de manera adecuada las zonas con y sin deslizamientos.
Capítulo 3. Aplicaciones oceanográficas de la imágenes
satelitales NOAA-AVHRR y SeaStar
(Orbwiew-2)-SeaWiFS en los mares mexicanos
Olivia Salmerón García
Laboratorio de Análisis Geoespacial, Instituto de Geografía,
Firmas espectrales de la temperatura superficial del mar

y de la concentración de clorofila a
La energía que recibe la Tierra proviene del Sol, y comprende todas las regiones
del espectro electromagnético (EEM) desde los rayos cósmicos hasta las longitu-
des de onda larga. Esta energía realiza una trayectoria desde el espacio sideral y
la propia atmósfera terrestre hasta llegar a la superficie terrestre; sin embargo,
no todas las longitudes de onda logran llegar debido a su interacción con dichos
medios. La interacción puede caracterizarse en términos de dispersión, absorción
y transmisión. Del mismo modo que la energía interactúa a través de los meca-
nismos mencionados, también lo hace con los elementos de la superficie terrestre,
incluyendo las nubes, de tal forma que cada elemento tiene una firma espectral
que lo caracteriza; es decir, del total de energía que recibe, unas longitudes de
onda las absorbe, otras las refleja o emite. A continuación se describen las firmas
espectrales del agua y de la clorofila a.
En términos físicos, la temperatura del planeta se debe a la capacidad de
absorción de la energía solar, por parte de los elementos que constituyen la su-
perficie terrestre. De la energía absorbida, el agua de los océanos refleja una parte
en el visible, principalmente en el azul (0.4 µm) y el verde (0.5 µm), y emite otra
parte en el infrarrojo térmico alrededor de las 10 µm. Durante este proceso de
interacción con la energía, el océano además de reflejar y emitir en las longitudes
de onda señaladas, absorbe prácticamente el 100% de todas aquéllas ubicadas
desde el infrarrojo cercano 0.8 µm, hasta el infrarrojo térmico 10 µm (Figura 1).
En la Figura 2 se marca con línea punteada la firma espectral del agua pura,
mientras que con líneas sólidas se muestra cómo se incrementa la reflectancia
78 . Olivia Salmerón García
80
Figura 1. Firmas espectrales.
(fuente: http://www.fao.
70 AGUA DE RÍO TRANSPARENTE
AGUA DE RÍO TURBIA
VEGETACIÓN
org /docrep/0 03/t 04 46s/
60 SUELO ARCILLOSO ENCENEGADO
SUELO DE LODO
T0446S04.htm).
PORCENTAJE DE REFLECTANCIA
50
40
30
20
10
0
.4 .6 .8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6
LONGITUD DE ONDA (micrómetros)
100 Figura 2. Firma espectral

del agua (fuente: Robinson,
1985).
Reflectancia %
10
0
0.4 0.5 0.6 0.7
micras
alrededor de las 0.6 µm, mientras que disminuye en las 0.4 µm, conforme se
incrementa el contenido de sustancia amarilla.
Los sensores infrarrojos captan le energía que emite la superficie del océano,
sin embargo, la temperatura que detectan (temperatura de brillo) no es realmente
la del océano. En el caso de la superficie oceánica las temperaturas de brillo son
más frías por varias razones, la presencia de nubes y de aerosoles, así como al he-
cho de que la superficie del océano es considerada como un cuerpo negro con una
emisividad igual a uno, lo que implica que su reflectancia sea nula. Esto ocasiona
errores que pueden ser hasta de 0.3 K. En realidad la emisividad del océano es
Aplicaciones oceanográficas de las imágenes satelitales NOAA-AVHRR y SeaStar… . 79
de 0.9926 y 0.9891 para los canales 4 y 5 de AVHRR (Universidad de Las Palmas,

2003). La consecuencia de los factores mencionados es una subestimación de la
temperatura del mar que puede ser de varios grados centígrados dependiendo de
las condiciones atmosféricas.
La distribución de la biomasa fitoplanctónica y la Chla además de otros pa-
rámetros relacionados con el campo de luz (penetración, dispersión y coeficiente
de absorción) permiten hacer estimaciones de la producción primaria (Marlon et
al., 1985). La clorofila a refleja la luz que recibe del Sol en la parte verde del espec-
tro visible en longitudes de onda centradas en los 0.510 y 0.555 µm, mientras que
presenta una fuerte absorción en la parte roja y azul centrada en las longitudes de
0.670 y 0.443 µm. En la Figura 3 se muestra el espectro de absorción de la Chla
y Clorofila b. La Chla tiene dos picos de absorción, el primero en los 0.443 µm y
el segundo en los 0.670 µm. La clorofila b absorbe en el azul a los 0.447 µm, así
como en el anaranjado y en el rojo alrededor de los 0.660 µm Además de la Chla,
el fitoplancton contiene varios pigmentos accesorios que absorben la energía solar
en regiones del espectro electromagnético, diferentes a las que absorbe la cloro-
fila a, éstos pueden ser la clorofila b y b-caroteno, también presentes en las algas
verdes; la clorofila c y fucoxantina que se presentan en las diatomeas causando
una coloración café al agua del mar; las biliproteínas en las cianofitas que dan un
color azul-verde (Aguirre, 2002); por su parte los dinoflagelados pueden dar una
Figura 3. Espectro de la
Chla y clorofila b. Modifica-
Clorofila a do de Hernández Gil, 2002.
b Clorofila b
a
Absorción
0.4 0.5 0.6 0.7

Longitud de onda μm
coloración roja debida a la peridinina; las xantofilas dan una coloración amarilla
y los carotenoides ocasionan tonos amarillo-anaranjados (González, 2002).
Sensores AVHRR y SeaWiFS
a) Características de los datos AVHRR y SeaWiFS

Las imágenes satelitales de TSM son derivadas del sensor AVHRR (advanced very
high resolution radiometer) a bordo de los satélites NOAA, National Oceanic and
Atmospheric Administration. Los satélites NOAA giran alrededor de la Tierra
cada 104.9 minutos, a una distancia que varía entre los 833 y 850 km en una
órbita cuasi polar. Ofrecen una visión sinóptica de los mares debido a su cober-
tura espacial y resolución temporal, prácticamente un paso del sensor AVHRR
cubre todo el territorio mexicano dos veces por día, de tal manera que hacen
posible la generación de mapas a través de los cuales se identifican estructuras
tan dinámicas como las que se presentan en el océano. Estas estructuras tienen
características que son importantes no solo para las pesquerías (Butler, 1990),2
sino también para estudios de la dinámica oceánica como la localización de es-
tructuras, su dirección y velocidad de desplazamiento, así como su relación con
el cambio climático. Las características principales del sensor AVHRR se describen
a continuación:
Resolución espectral. Se refiere a las cinco bandas o canales que conforman una
imagen AVHRR y a su ubicación en el espectro electromagnético (EEM), es decir,
cada banda o canal muestra la energía recibida por el sensor en un rango especí-
fico del EEM. La Tabla 1 describe cada uno de los canales AVHRR.
Resolución espacial. Se refiere al tamaño del píxel y se define como el tamaño

del elemento más pequeño que puede distinguirse en una imagen. Está deter-
minado por el ángulo de visión instantáneo y la altura de la plataforma. En el
caso del sensor AVHRR el píxel es de 1 km en cobertura local al nadir y, 9 km en
cobertura global. Fuera del nadir puede alcanzar los 5 km debido a la curvatura
terrestre y a la posición del satélite (Kidwell, 1991).3 Por su parte, el ángulo de
vista instantáneo (IFOV, por sus siglas en inglés) está definido como el ángulo so-
bre el cual el detector es sensible a la radiación proveniente de fuentes externas. El
2 http://www.fao.org/docrep/003/t0355s/t0355s00.htm
3 http://nsidc.org/data/docs/daac/nsidc0022_avhrr_l1b.gd.html#kidwell
ángulo bajo el cual el sensor AVHRR ve la superficie terrestre es igual a 1.3 mrad.
Este dato multiplicado por la altura de su órbita indica el tamaño de los píxeles.
Resolución temporal. Es el tiempo que tarda el sensor en pasar por el mismo

punto sobre la superficie terrestre, para el sensor AVHRR es de 12 hr, de tal forma
que se tienen dos imágenes cada 24 horas, una de día y una de noche. Además
tiene la característica de pasar a la misma hora local, por lo que también es un
satélite heliosíncrono.
Resolución radiométrica. Es la capacidad de representar la energía captada por

el sensor y almacenada en formato digital, lo cual significa que la señal recibida
es dividida en rangos discretos a los cuales se les asigna un valor numérico en
código binario. El sensor AVHRR tiene una resolución de diez bits (210), es decir,
divide la señal en 1 024 niveles de intensidad, de ahí que sea un sensor de muy
alta resolución radiométrica.
Para la medición de la temperatura superficial del mar el sensor AVHRR usa

tres bandas espectrales: la banda 3 en el infrarrojo medio (3.5-3.9 µm), y las
bandas 4 y 5 en el infrarrojo térmico (10.5-11.5 y 11.5-12.5 µm, respectivamente).
Estas últimas bandas captan la energía emitida por la superficie oceánica en las
longitudes de onda de máxima emisión de la superficie terrestre.
El Sensor SeaWiFS (Sea viewing Wide Field of view Sensor) fue puesto en
órbita en 1997 a bordo del satélite SeaStar. Describe una órbita polar a 705 km de
la superficie terrestre cada 99 minutos, aproximadamente, por lo que cubre toda
la Tierra entre 14 y 15 vueltas. Fue diseñado específicamente para aplicaciones
marinas, seis de sus bandas son capaces de captar el color del océano en la región
del visible y dos más se utilizan para calibraciones atmosféricas en el infrarrojo
cercano. Las bandas 2 y 6 (0.443 y 0.670 µm) están ubicadas en la parte de ab-
Tabla 1. Resolución espectral y aplicaciones del sensor AVHRR. 1 μm=10 -6 metros
Banda Resolución espectral Aplicaciones

1 0.58-0.68 µm (verde-rojo) Meteorología
2 0.72-1.05 µm (IR cercano) Meteorología y vegetación
3 3.55-3.92 µm (IR medio) Incendios, meteorología y TSM
4 10.3-11.3 µm (IR térmico) TSM y Meteorología
5 11.5-12.5 µm (IR térmico) TSM y Meteorología
sorción de la Clorofila a, la banda 3 (0.490 µm) representa la absorción de los

pigmentos no clorofílicos (carotenoides), mientras que las bandas 4 y 5 (0.510 y
0.550 µm) corresponden a longitudes de onda en donde la Chla refleja más la
energía luminosa, por tanto, es una herramienta de gran valor para el estudio del
color de océano.
Resolución espectral. Cada imagen se compone de ocho bandas localizadas

principalmente en las regiones del visible e Infrarrojo cercano (IRC) del espectro
electromagnético (Tabla 2).
Resolución espacial. El píxel o celdas que conforman las imágenes SeaWiFS

miden 1.1 km al nadir en cobertura local, y 9 km en cobertura global. En los ex-
tremos de la imagen el área que cubre el píxel es mayor de 1.1 km y puede llegar
hasta 5 km. El ángulo de vista instantáneo (IFOV) es de 1.6 mrad.
Resolución temporal. 12 horas, aun cuando el paso de noche no es de utilidad

para las mediciones del color del mar.
Resolución radiométrica. Diez bits al igual que las AVHRR.
Nivel de saturación. Una de las características de SeaWiFS como sensor del

color del océano, es su capacidad para registrar señales de baja intensidad como
las provenientes del agua de mar, en consecuencia, tiene un rango de saturación
bajo, comparado con otros sensores dedicados a estudios terrestres.
Tabla 2. Resolución espectral, nivel de saturación y aplicaciones del sensor SeaWiFS
Bandas Resolución espectral Aplicaciones

1 0.402-422 µm (violeta-azul) Absorción de sustancia amarilla
2 0.433-453 µm (azul) Absorción de Clorofila a
3 0.480-0.500 µm (azul-verde) Absorción de pigmentos no clorofílicos
4 0.500-0.520 µm (verde) Concentración de Clorofila a
5 0.545-0.565 µm (verde-amarillo) Correlación con fluorescencia
6 0.660-0.680 µm (anaranjado-rojo) Absorción de Clorofila a
7 0.745-0.785 µm (rojo) Corrección atmosférica
8 0.845-0.885 µm (IR cercano) Corrección atmosférica
b) Algoritmos para el cálculo de Temperatura superficial del mar y

concentración de clorofila a
La determinación de la TSM en el sistema TeraScan utiliza los algoritmos creados
por McClain et al. (1985) para imágenes de día y el de Bernstein (1982) para los
pasos nocturnos, en el que además de las bandas 4 y 5 se utiliza la banda 3. El
algoritmo de McClain et al. aprovecha las diferencias del efecto atmosférico en la
ventana infrarroja térmica, bandas 4 y 5, mientras que el algoritmo de Bernstein
utiliza la diferencia entre las bandas 3 y 4 para distinguir superficies nubosas de
aquéllas libres de nubes, esta diferencia está dada por las propiedades entre la
emisividad de la superficie oceánica y de las nubes. Para la banda 4, la emisividad
entre ambos objetos es muy cercana a la unidad. En la banda 3, la emisividad del
mar también es cercana a la unidad, sin embargo, la emisividad de las nubes es
menor, alrededor de 0.75. Como resultado, la diferencia de la banda 3 y banda 4
será negativa para superficies nubosas. En la superficie del océano, la diferencia
de la banda 3 y banda 4 está relacionada con el total del vapor de agua atmosfé-
rico a través del cual la señal viaja hacia el sensor. En condiciones muy húmedas,
la diferencia banda 3 y banda 4 es significativamente positiva, alrededor de 2; en
condiciones de humedad moderada es ligeramente positiva, alrededor de 1. En
condiciones de poca humedad la diferencia será ligeramente negativa, -0.5; y para
condiciones atmosféricas muy secas, la diferencia puede alcanzar un valor de -1.0
(SeaSpace Corporation; Figura 4).
Algoritmos para el cálculo de la TSM
Ventana dividida, mc (McClain et al., 1985)

TSM = A*T4 + B*(T4-T5) + C*(T4-T5)*(SEC(sza)-1) + D*(SEC(sza)-1) + E
Doble ventana, bz (Bernstein, 1982)

TSM = A*T4 + B*(T3-T4) + C*(T3-T4)*(SEC(sza)-1) + D*(SEC(sza)-1) + E
Nubes ............. Figura 4. Diferencia banda

3 y banda 4.
Sequía ........Mod .........Humedad ..........Océano
.....-2 ...........-1 .............0 ............1 ............2
Diferencia Ch3 y Ch4

E es una constante para transformar el resultado de grados Kelvin a grados

centígrados en cuyo caso se especifica E(C).
T3, T4 y T5 son las temperaturas de brillo de los canales 3, 4 y 5.
A, B, C, y D son los coeficientes y que varían en función del satélite de que
se trate, se pueden obtener de la página de NOAA.
(sza) se refiere al ángulo zenital solar, aquél que se forma entre la normal
en el punto de observación y el vector de vista del satélite (del satélite al píxel),
Figura 5.
El algoritmo utilizado para calcular la concentración de clorofila a, a partir

de SeaWiFS, es el siguiente:
Chla = -0.040 + 10(0.341-3.001X+2.81 X 2 – 2.041 X 3)

Donde x = cociente de las bandas azul (3) y verde (5), por ejemplo, Lw490
/ Lw555
c) Temperatura superficial del mar y concentración de clorofila a

La temperatura superficial del mar (TSM) está estrechamente vinculada con áreas
biológicamente productivas, hay especies como los salmónidos que están bien
adaptados a las fluctuaciones estacionales, mientras que otras prefieren condicio-
nes homotérmicas (FAO, 1992). Por otra parte, la TSM permite identificar varios
fenómenos oceánicos. Por ejemplo, hay zonas en donde se presentan surgen-
cias, las cuales son afloramientos de agua relativamente fría y rica en nutrientes
(fósforo, nitrógeno y silicatos), (Libes, 1992), que estimulan el crecimiento del
Normal
Figura 5. Ángulo zenital
solar.
Ángulo
Satélite zenital
Ángulo del sol Ángulo de
zenital la fase de
del satélite dispersión
Ángulo
de reflexión
solar
Reflexión
solar
Sol
Punto de vista
Tierra
fitoplancton. Los altos niveles de variabilidad espacio-temporal de la TSM y los

nutrientes juegan un papel importante en la determinación de las característi-
cas biológicas de las regiones marinas. Las fluctuaciones de un año a otro en la
reproducción de especies pesqueras comerciales pueden deberse a diferencias en
la temperatura o en la abundancia de nutrientes (Cole y Villacastin, 2000); por
ejemplo, en frentes térmicos cálidos es probable la presencia del atún, mientras
que en las aguas frías es posible la localización del salmón (Herron et al., 1989).
La clorofila a (Chla), es un pigmento al igual que la clorofila b, el b-caroteno,
la clorofila c, la fucoxantina, las xantofilas y los carotenoides contenidos en el
fitoplancton. Este último son plantas marinas microscópicas que convierten la
luz solar en alimento (carbohidratos y oxígeno), a través del proceso de fotosín-
tesis; ésta es un proceso complejo en el cual la energía luminosa es absorbida por
la clorofila y convertida en energía química (ATP) y poder reductor (NADPH), al
mismo tiempo que libera oxígeno; también es posible que la energía absorbida sea
disipada como calor; o bien, que sea emitida en longitudes de onda mayores que
implican la pérdida de energía (fluorescencia). Posterior a la captura de un fotón
por un pigmento se produce una serie de reacciones que dan lugar a los enlaces
C – C (carbono-carbono) de los carbohidratos y otras sustancias ricas en energía.
La asimilación o fijación del dióxido de carbono es una reacción en la cual el
CO2 de la atmósfera se captura y se reduce por la adición de H+ para formar car-
bohidratos (ciclo de Calvin). Por último, la energía se libera mediante procesos
respiratorios o metabólicos aportando O2 a la atmósfera (Hernández Gil, 2002).
Con el proceso de fotosíntesis se producen azúcares, aminoácidos y ácidos grasos
que son el alimento para el fitoplancton. Ahora bien, dado que el fitoplancton es
la base de la cadena alimenticia, su presencia es un factor determinante en la pro-
ducción pesquera (Herrera, 1994). Así mismo, juega un papel importante en la
ecología marina ya que cualquier cambio en su distribución y abundancia puede
causar impactos significativos en el ecosistema entero. Durante la fotosíntesis el
fitoplancton convierte el dióxido de carbono del agua de mar y de la atmósfera
en carbono orgánico y libera oxígeno. Esto permite a los océanos absorber el dió-
xido de carbono excedente en la atmósfera (Hoepffner et al., 2008). Al disminuir
el fitoplancton, el dióxido de carbono en la atmósfera se incrementa indicando
que el fitoplancton juega una parte importante en la regulación de la cantidad
del carbono en la atmósfera. De esta forma el fitoplancton no solo es importante
desde el punto de vista alimenticio, sino también como regulador en el balance
del dióxido de carbono en el planeta.4
4 (http:seawifs.gsfc.nasa.gov/SEAWIFS/LIVING_OCEAN/TEACHER4.html)
La concentración y distribución de clorofila a son entonces indicadores de

la presencia de fitoplancton y del potencial en la producción primaria (Kratzer
et al., 2000). Se trata de la producción de materia orgánica a partir de materia
inorgánica por parte de los organismos autótrofos a través de la fotosíntesis y es
el punto de partida de la cadena trófica. Cabe mencionar que la producción pri-
maria se refiere a la cantidad de carbono fijado fotosintéticamente y disponible
para el primer nivel heterotrófico, de tal forma que es una medida relevante en los
procesos biológicos y el ciclo del carbono (Behrenfeld y Falkowski, 1997).
Aplicaciones en México
La TSM obtenida a partir de datos satelitales, así como la concentración de cloro-

fila a, tienen importantes ventajas sobre los datos in situ. Su cobertura espacial,
hablando de AVHRR y SeaWiFS, permite obtener información diaria a nivel na-
cional de la dinámica de los mares mexicanos. Esta característica juega un papel
relevante debido a que los fenómenos que se presentan pueden tener cambios
significativos entre el día y la noche; o bien, tener una duración de días o hasta
semanas que difícilmente pueden observarse con datos in situ. Con éstos, es po-
sible obtener datos en un momento y un punto específico sobre la superficie del
mar; sin embargo, la siguiente observación dependerá de la revisita de la embar-
cación de investigación, la cual puede ser varios días o hasta años después. Por
su parte, un acervo de datos satelitales, mínimo de diez años, permite detectar
la variabilidad estacional, anual e interanual así como la influencia, en los ma-
res mexicanos, de fenómenos globales como El Niño, y representarlos en mapas
a nivel nacional (Aguirre et al., 2007b) o bien a nivel regional (Álvarez et al.,
2001); así como determinar la magnitud de la variación en la TSM, por ejemplo
en la costa suroeste de México, en donde El Niño Oscilación del Sur (ENSO) de
1997-1998 causó un incremento entre 3 y 5° C (Aguirre et al., 2003). También es
posible relacionar las surgencias con eventos de marea roja (Aguirre et al., 1999),
como el ocurrido en febrero de 1996 en las costas de Mazatlán, los cuales gene-
ran condiciones propicias para el desarrollo de los organismos causantes de la
marea roja, Mesodinium rubrum y Gymnodinium catenatum. Cambios súbitos en
la TSM pueden disminuir algunas especies de algas, pero no todas. Es posible que
a principios de febrero, algas resistentes a dichos cambios de temperatura como
Gymnodinium catenatum, permanezcan después de un episodio de enfriamiento.
Otro documento sobre la detección de mareas rojas por la presencia abundante de
dinoflagelados tóxicos, es el de Tomlison et al. (2004), donde a través de imágenes
de Chla del sensor SeaWiFs, de 1999 al 2000, detecta Karenia brevis al este del
Golfo de México y reporta que los eventos de florecimiento de algas se obser-
van desde agosto hasta marzo-abril, para cada uno de los años de estudio. En el
mismo artículo, el autor describe siete regiones, de acuerdo con la frecuencia de
florecimientos algales, a lo largo de la costa oeste de Florida.
En Aguirre et al. (2077) se realizó un análisis de la variación de Chla en el
Pacífico Sur mexicano, que muestra las diferencias entre las estaciones de verano
e invierno desde 1998 al 2003, así como el efecto de los vientos en la formación
de la surgencia del Golfo de Tehuantepec y su impacto en la Chla. Resalta el
invierno de 1998 con anomalías negativas de Chla (-0.15 mg/m3), el cual se
explica por El Niño de 1997-1998; por su parte, el verano e invierno del 2003
fue de condiciones normales y la Chla presentó anomalías positivas superiores a
0.15 mg/m3. Por su parte, González Silvera et al. (2004), realizaron un estudio
de la formación y características de los giros que se forman en los golfos de Te-
huantepec y Papagayo, utilizando imágenes de temperatura superficial del mar
(AVHRR) y de concentración de clorofila a (SeaWifs), en el periodo noviembre de
1998 y marzo de 1999. Un aspecto importante de los giros en Tehuantepec es
que fertilizan las aguas mediante un incremento en la Chla con la consecuente
abundancia de fitoplancton, lo cual favorece las condiciones tróficas elevando
la productividad pesquera. Un estudio más sobre las estructuras de mesoescala
en la superficie marina en México es el de Navarro et al. (2004), quien utilizó
imágenes de TSM derivadas del sensor AVHRR, de octubre y noviembre del 1985,
para identificar las características de giros, frentes, filamentos y albercas de agua
caliente, observables en superficie, en el Golfo de California. De esta forma se
llegó a la conclusión de que el área con la temperatura más baja, en la zona, al-
canza una diferencia máxima de 6° C con respecto del agua al sur de dicha zona,
y una diferencia alrededor de 0.05° C km-1 con respecto al gradiente horizontal.
Por otra parte, el Ordenamiento Marino es una tarea que empezaron al-
gunos países, desde los años ochenta, mediante programas globales en los que
inicialmente eran pocos los participantes, sin embargo, con el paso del tiempo se
han incluido otros como México con la finalidad de colaborar en la conservación
y aprovechamiento sustentable de los recursos. De esta forma se han hecho algu-
nas regionalizaciones a nivel mundial considerando como base la productividad
primaria, el relieve submarino o parámetros físico-químicos del agua. En Méxi-
co se han propuesto algunas regionalizaciones a escala nacional y otros a escala
regional, considerando distintos parámetros, por ejemplo los procesos físicos en
el Golfo de México (Zavala et al., 2006). En este trabajo se detectaron diez re-
giones a partir de la revisión de varias investigaciones en las cuales se estudiaron
parámetros como el transporte a través del canal de Yucatán, datos satelitales de

altimetría, TSM y Chla, que han contribuido al conocimiento de la dinámica del
Golfo de México. En otro estudio basado solamente en datos satelitales de Chla
arrojó la presencia de catorce regiones, también en el Golfo de México, de las
cuales se explica su localización y temporalidad a través de los procesos oceano-
gráficos que ahí ocurren (Salmerón et al., 2010).
Más allá de conocer la dinámica de la TSM y la Chla, y de las estructuras y
procesos oceánicos con los cuales se relacionan; es decir, las corrientes marinas,
las surgencias, los frentes, los giros y las zonas de convergencia, en cuanto a su es-
pacialidad y temporalidad, es necesario identificar el grado de influencia que pu-
dieran tener; en actividades económicas como la producción pesquera, por ejem-
plo en Salmerón (2009) se hizo un análisis de los dos parámetros físicos mencio-
nados, de 1996 al 2001 en el Golfo de México, y se concluye que la producción
pesquera total en peso vivo aumenta a finales de verano y finales de otoño, cuando
la temperatura comienza a descender y las concentraciones de Chla aumentan.
Conclusiones
La aplicación de datos de temperatura superficial del mar y de concentración de

clorofila a, derivados de sensores remotos, en los mares mexicanos, han confirma-
do aspectos estudiados anteriormente, por ejemplo, el incremento en las tempera-
turas por efecto de El Niño; sin embargo, con base en las imágenes satelitales, se
pudo cuantificar que el evento Niño 1997-1998 favoreció un aumento entre 3 y
5° C en el sureste mexicano. Del mismo modo, las variaciones en la temperatura
del mar se pudieron relacionar con la presencia de especies de dinoflagelados
tóxicos como Mesodinium rubrum, Gymnodinium catenatum y Karenia brevis,
causantes de marea roja en las costas de Mazatlán y al este del Golfo de México,
respectivamente.
Por su parte, con las imágenes de concentración de Chla, ha sido posible
estimar que el Niño 1997-1998 generó anomalías de -0.15 mg/m3 en el Pacífi-
co Sur, mientras que en 2003, año normal, las anomalías fueron positivas, de
0.15mg/m3. El estudio de la dinámica de estructuras de mesoescala a través
de imágenes de temperatura y de Chla, en el Golfo de California, determinó la
diferencia de temperaturas de la zona fría, entre las islas San Esteban y San Lo-
renzo y, la zona de agua cálida, en 6° C y un gradiente horizontal de 0.05° C/km.
Por último, el conocimiento de las variaciones espacio-temporales de los pa-
rámetros y dinámica oceánica, se ha vinculado con el aprovechamiento y manejo
de recursos pesqueros, para lo cual la regionalización de los mares mexicanos es

la base que permite administrarlos de manera integral. Así, el establecimiento de
catorce regiones con base en la variabilidad de la Chla, en el Golfo de México,
es un ejemplo de este esfuerzo.
Capítulo 4. Utilización de imágenes aéreas digitales
de alta resolución en la evaluación de recursos naturales
Jorge Prado Molina
Armando Peralta Higuera
Laboratorio de Análisis Geoespacial, Instituto de Geografía,

Departamento de Geografía Física, Instituto de Geografía,
Introducción
Desde que hicieron su aparición, las imágenes aéreas digitales de alta resolución
han sido utilizadas desde hace más o menos tres lustros en una gran diversidad
de proyectos. Aunque las primeras cámaras contaban con un sensor de 1524 x
1012 elementos de imagen, es decir, 1.54 Mpíxeles (Kodak DCS 420), éstas se
encontraban muy lejos de la resolución equivalente de la película de 35 mm (12
Mpíxeles) que es el tamaño de negativo con el que siempre se les ha comparado,
no obstante, desde un principio se apreció el potencial de estos equipos como
herramienta de teledetección (King, 1992). Los avances tecnológicos han per-
mitido que hoy en día sea común tener resoluciones del orden de 24 Mpíxeles
en cámaras de pequeño formato, con un costo del orden de 10 000 USD. Lo que
significa tener, por ejemplo, una cobertura de 4.0 x 3.0 km volando a una altura
de 19 000 pies y con un tamaño de píxel en el terreno de 0.6 m (Figura 1). Sin
lugar a dudas, esto ha permitido aumentar las posibilidades de análisis al abordar
los distintos proyectos que utilizan estas imágenes como insumo básico.
Si bien es cierto que en la actualidad se cuenta con imágenes satelitales de
alta resolución (i.e. menos de un metro) su costo y disponibilidad son factores que
las ponen en desventaja con respecto a la fotografía aérea digital. Por otra parte,
esta última ofrece una gran flexibilidad en cuanto a cobertura del área en estudio,
resolución, y lo más importante: permite la obtención de estereopares. Y más aún,
las técnicas de generación de mosaicos ortorectificados a partir de estas imágenes,
92 . Jorge Prado Molina, Armando Peralta Higuera y José López García
están más que probadas en zonas extensas de territorio y han demostrado su utilidad
en gran cantidad de proyectos (López, 2006; Ramírez, 2011; Prado et al., 2006).
La alta resolución permite no solo la clasificación de árboles individuales
(Pouliot y King, 2005), sino también llevar a cabo diferentes estudios sobre los
parámetros biofísicos de la vegetación (Wulder, 1998). Entre la variedad de imá-
genes disponibles en el mercado, con diferentes resoluciones espaciales utilizadas,
las que tienen un tamaño de píxel de 1 m, han demostrado ser las más adecua-
das para el reconocimiento y conteo de árboles individuales (Sugumaran et al.,
2003); sin embargo, escalas más grandes proporcionan una identificación directa
de la mayoría de los tipos de cubiertas vegetales y especies, siempre y cuando
éstas no se encuentren mezcladas entre sí (Wulder et al., 2004), además, la alta
resolución junto con la inclusión de mediciones de textura, pueden incrementar
potencialmente la precisión en la clasificación (Laliberte y Rango, 2009).
Por otro lado, la formación de un mosaico ortorectificado de una zona en es-
tudio, permite llevar a cabo el análisis multitemporal de los cambios en la cubier-
ta vegetal, ya que puede ser utilizado como cartografía base a partir de la primera
vez que es generado. El análisis de las fotografías (efectuado por un experto), de-
termina el estado actual de la vegetación y establece un fundamento para futuras
interpretaciones; las imágenes aéreas digitales de alta resolución constituyen un
conjunto de datos muy valioso para este tipo de análisis.
Cámaras de formato pequeño
Las cámaras digitales se dividen en tres categorías: gran formato, medio y peque-
ño. Las primeras son producidas por tres vendedores principales, como son Leica™,
Vexcel™ e Intergraph™, en contraparte, para las de formato pequeño existe una
gran variedad de fabricantes y dentro de esta categoría, las que se recomienda
usar para propósitos de adquisición de imágenes, son las de uso profesional, por
la cantidad de píxeles, estabilidad mecánica, robustez y por la calidad del lente;
es mejor evitar la distorsión introducida a las imágenes por los lentes de cámaras
de bajo costo. Por otra parte, existen en el mercado algunas cámaras de formato
medio que pueden ser una buena opción para llevar a cabo tareas de teledetec-
ción, sin embargo, esta discusión sale del alcance de este capítulo.
Es un hecho que las cámaras de formato pequeño no tienen la precisión
geométrica de las de gran formato, ni mucho menos cuentan con marcas fiducia-
les o parámetros de calibración para la obtención de los elementos de orientación
interna (distancia focal calibrada, desviación del punto principal y distorsión
Figura 1. Ejemplo de una imagen obtenida con una cámara Nikon D3x, que tiene una cobertura de 4x3 km, con tamaño de píxel de
Utilización de imágenes aéreas digitales de alta resolución en la evaluación de… . 93
0.6 m.
del lente), sin embargo, mediante diferentes procedimientos, es posible corre-

gir geométricamente las imágenes para obtener ortoimágenes y a partir de ellas,
ortomosaicos (Prado et al., 2006).
Es recomendable, al llevar a cabo un levantamiento aéreo, obtener por lo
menos tres bandas en color (las típicas RGB) y una infrarroja (IR). Dependiendo
del proyecto y la necesidad específica de interpretación que se requiera, se pueden
usar diferentes filtros enfrente del lente para lograr una mejor discriminación de
los elementos presentes en la zona en estudio (Everitt y Escobar, 1995; Peralta
Fabi et al., 1991). En los ejemplos que se presentan en este capítulo, únicamente
se han empleado cámaras a color y en IR, ajustándolas para que tengan aproxima-
damente la misma cobertura del terreno y mezclando las diferentes bandas para
crear compuestos en falso color.
El cada vez mayor número de elementos fotosensibles en los sensores de
imagen ha permitido obtener un menor tamaño de píxel sobre el terreno; compa-
rativamente, cuando se vuela a la misma altura, sin embargo, el tamaño de aquél
es ajustado en dependencia directa de las necesidades del proyecto y en algunos
casos es determinado por la altura del terreno o las condiciones de tráfico aéreo.
En la Tabla 1 se presenta de manera resumida un ejemplo del tipo de cámaras que
se han usado en diferentes levantamientos. El tamaño de píxel ha variado de 2.0
a 0.25 m a lo largo de estos años.
Tabla 1. Cámaras de pequeño formato utilizadas en diferentes proyectos, y el número de

píxeles del sensor de imagen
Cámara de pequeño formato Año en que se utilizó Núm. de Mpíxeles

Kodak DCS 420 1999 1.54
Nikon D1 2001 2.66
Nikon D1X 2003 6.00
Kodak DCS 14n Pro 2005 12.21
Nikon D2X 2006 12.40
Canon EOS 1DS Mark II 2009 16.61
Nikon D3x 2010-2011 24.5
Kodak DCS 420 monocromática (IR) 1999-2001 1.54
SONY DSC-F707 (IR) 2003-2005 4.91
Cannon EOS Revel (IR) 2006-2009 7.96
Ejemplos de aplicación
En esta sección se muestran diferentes usos que es posible dar a las imágenes
aéreas digitales de alta resolución, obtenidas con cámaras de pequeño formato.
La evaluación de recursos naturales es sin lugar a dudas un área en la que di-
chas imágenes han sido ampliamente utilizadas, no obstante, existen muchísimas
otras aplicaciones en las que también se han empleado con gran éxito, como es el
caso de los estudios de impacto ambiental, los cambios de uso de suelo, el mues-
treo de campos de cultivo para estimar el volumen de cosechas, la evaluación de
desastres (Prado et al., 2008), o el daño a cultivos causados por plagas; de estas
otras aplicaciones, también se incluyen unos ejemplos para mostrar la variedad y
flexibilidad de usos de estas imágenes.
Evaluación de daños en los manglares y cambios en la línea de costa causados

por el huracán Wilma en la Riviera Maya
Entre los daños más importantes causados por Wilma en la Riviera Maya en
2005, se pueden mencionar la reducción significativa de la superficie de las pla-
yas debido a la erosión causada por el viento y el oleaje; lo que en casos extremos
significó la desaparición total de la playa (Peralta et al., 2007). Esta es una zona
particularmente vulnerable debido a que cuenta con una topografía prácticamen-
te plana, compuesta por un substrato calcáreo formado por arrecifes antiguos,
altamente permeables, con cenotes y ríos subterráneos y donde los manglares y
las dunas costeras juegan un papel muy importante en la protección del ecosiste-
ma y de la línea de costa.
La vegetación de mangle en los pantanos y humedales, así como la selva
dentro del territorio, se vieron severamente afectados por este fenómeno meteo-
rológico que tuvo una magnitud 5 en la escala Saffir-Simpson. Entre los esfuerzos
realizados para evaluar los daños causados a las playas y los manglares, se llevó a
cabo un levantamiento aéreo a lo largo de la línea de costa en un área particular-
mente afectada. Esto se hizo con imágenes digitales de alta resolución en color e
infrarrojo, a partir de las cuales se generó un ortomosaico de la zona y, como ya
existía una cartografía previa (también un ortomosaico de imágenes digitales),
fue relativamente sencillo llevar a cabo una evaluación de los cambios, con la
ayuda de un SIG. De esta manera, la información sobre la magnitud de los daños
y las condiciones actuales de la vegetación, así como la distribución de los nuevos
depósitos de arena y la localización de la línea de costa, se obtuvieron en unos
cuantos días. En la Figura 2 se muestra una comparación entre imágenes en color
de 2004 y de 2005, donde es muy evidente el daño sufrido en el manglar. En este
caso fue importante contar con cartografía previa, ya que esto permitió hacer
un seguimiento temporal de estos procesos naturales, así como monitorear las
etapas de recuperación de la vegetación y los cambios en la línea de costa desde
una perspectiva humana.
En la Figura 3 se muestra un mosaico de la zona en estudio, donde se aprecia
el daño, ocurrió en los límites de la costa y en aquellas zonas tierra adentro, des-
plegadas en color café, donde la vegetación fue severamente dañada.
Cambios en la cubierta vegetal en la zona de la Reserva de la Biósfera

Mariposa Monarca
La Reserva de la Biósfera Mariposa Monarca (RBMM) es una zona de aproxima-
damente 765 km2 cubierta de bosque templado, que se localiza entre los límites
de los estados de México y Michoacán, y que ha sido ampliamente estudiada a
través de la fotografía aérea digital de pequeño formato. Desde 1999 en que se
hizo el primer levantamiento, se formó un mosaico semicontrolado de la zona
(Peralta Higuera et al., 2001c), mismo que, entre otros criterios, sirvió para rede-
finir la nueva Reserva, a través de un decreto presidencial publicado en el 2000
(DOF, 2000). A partir de la primera campaña aérea se ha tratado de hacer un
levantamiento anual, con la finalidad de evaluar los cambios en la cubierta ve-
getal, primero para saber cuál es la evolución de este importante ecosistema, no
solo por ser el refugio de la Mariposa Monarca, sino también por los servicios
ambientales que proporciona. A partir del 2003, en que se efectuó el primer
mosaico ortorectificado de esta zona, la evaluación de los cambios se ha podi-
do realizar de una manera más sencilla. Se han definido diferentes clases que
determinan el estado de la cubierta vegetal, atendiendo a su densidad, en: ce-
rrada, semicerrada, semiabierta, abierta y pastizales. Por un lado, los métodos
de análisis se han mejorado sustancialmente con respecto a los primeros años
(López, 2009) y adaptado a las condiciones particulares de la zona, consideran-
do todos los factores que en ella intervienen, como por ejemplo la tala ilegal,
el ecoturismo, la protección que algunas comunidades brindan al bosque y los
procesos de reforestación. Por otra parte, los métodos de obtención de imágenes
y de formación de mosaicos ortorectificados se han optimizado y las imágenes
han contado cada vez con una mejor resolución (Tabla 1) lo que ha permiti-
do discriminar árboles individuales, matorrales, pequeñas veredas bajo el do-
u Figura 2. Comparación con imágenes de 2004 arriba y de 2005 abajo, después del impacto
del huracán Wilma.
Figura 3. Mosaico ortorectificado, formado a partir de imágenes multiespectrales.
sel, árboles derribados y vehículos. La calidad de la evaluación es tal, que por

una parte permite determinar cambios en zonas tan pequeñas como 100 m2,
lo que lo hace un método bastante confiable, y por la otra, permite el pago por
servicios ambientales a los ejidatarios que participan en el programa. Se han lle-
vado a cabo importantes esfuerzos por reducir los errores en las evaluaciones
anuales, tratando de estandarizar el método lo más posible, por una parte, se ha
tratado que cada vez sean los mismos especialistas los que lleven a cabo la inter-
pretación de las imágenes, los levantamientos aéreos han seguido la misma altura
y líneas de vuelo, e inclusive se han repetido evaluaciones de años anteriores y
se han hecho combinaciones bianuales o de periodos de hasta seis años, todo
con la finalidad de garantizar la repetibilidad y confiabilidad de los resultados.
Los grandes esfuerzos en gestión ambiental con las comunidades han permitido
frenar la deforestación en la zona de la Reserva de 538 ha en 2005 a 53 en 2009
(WWF, 2009).
Identificación de cambios de uso de suelo y afectación de cultivos por plagas

en el estado de San Luis Potosí, México
En este proyecto se llevó a cabo un levantamiento de un área que abarca 1 750 km2
aproximadamente, en San Luis Potosí, para identificar los cambios en el uso de
Figura 4. Mosaico semicon-

trolado del área donde se
ubica la RBMM. Las líneas en
naranja muestran las áreas
protegidas antes del decreto
del 2000; y en rojo y azul,
se muestran las nuevas zonas
núcleo y de amortiguamien-
to, respectivamente.
Áreas protegidas
anteriores
Nuevas zonas
núcleo
Nueva zona
de amortiguamiento
Colonias de mariposas
reportadas en los últimos
21 años
suelo y los daños causados por plagas en los tres cultivos principales de esta zona;
todo esto con el objetivo último de establecer una metodología para llevar a cabo
evaluaciones rutinarias. El área en estudio comprende zonas altas y planicies bajas,
las primeras tienen una altitud promedio de 1 300 m, donde se produce café, y en
las planicies (de 50 a 200 m) existen cultivos de caña de azúcar y cítricos. Se ad-
quirieron imágenes visibles e infrarrojas a una altura promedio de 3 200 m snmm
con una resolución de 0.40 m en las partes altas y de 0.70 m en las planicies. Las
imágenes visibles e infrarrojas fueron separadas en bandas, registradas e integra-
das para generar imágenes multiespectrales en falso color (Figura 5), ortocorregi-
das y ensambladas en un mosaico.
La detección de las plagas se realizó a través de la interpretación con imáge-
nes IR, estereopares en color, compuestas en falso color y también se efectuaron
algunos procesos de clasificación automáticos (Prado et al., 2007). Estos resulta-
dos fueron integrados con el ortomosaico de la zona y comparados con observa-
ciones de campo para evaluar coincidencias y omisiones.
El daño infringido por la langosta centroamericana (Schistocerca picei-
frons Walker) en los sembradíos de caña de azúcar se distinguió fácilmente, sin
embargo, en algunos casos se confundió por algunos efectos de las condiciones
del suelo. Hubo bastantes problemas para detectar los daños en los cafetales,
causados por la broca del café (Hypothenemus hampei), esto es debido a que las
plantas por lo general se encuentran bajo la sombra de otras especies vegetales y
no pueden observarse directamente, ni tampoco alguno de sus efectos a través, o
en el dosel de la vegetación que los cubre. Es necesario buscar un método alter-
nativo de identificación de daños, que hasta la fecha no están muy extendidos en
la zona. Algo parecido ocurrió con las plantaciones de cítricos, donde los efectos
de la calidad del suelo, la humedad y las prácticas de manejo enmascararon el
papel que jugó la mosca de la fruta (Anastrepha Ludens) en las afectaciones a los
cultivos. En este caso fue necesario incrementar de manera significativa el trabajo
de campo para hacer las comparaciones y establecer criterios más adecuados de
evaluación de las zonas afectadas. Finalmente, lo que sí resultó de manera inequí-
voca, fue el hecho de los cambios de uso de suelo debidos a las actividades eco-
nómicas y la deforestación, ya que estaban directamente ligados a la aparición de
las plagas en la zona. Las imágenes aéreas digitales de alta resolución resultaron
útiles en la detección de plagas de langosta y la mosca de la fruta, no así para la
broca del café, por lo que su aplicación debe enfocarse solamente en las planicies,
donde se ubican estas especies nocivas.
Figura 5. Compuesto de falso color para apoyo a la interpretación de las zonas afectadas por plagas.
Figura 6. Imagen infrarroja de un cultivo de cítricos, donde se aprecian los cambios en el

contenido de clorofila con respecto al entorno.
Validación en la interpretación de especies vegetales en el Inventario Forestal

Nacional 2000
Para validar la interpretación de las especies vegetales en México, que fue reali-
zada a partir de imágenes LANSAT ETM+, se estableció una estrategia novedosa
a través del uso de imágenes aéreas digitales de alta resolución; la finalidad era
la de evitar el costoso y tardado trabajo de campo (Mas et al., 2002). Para llevar
a cabo los levantamientos aéreos se utilizaron dos naves Cessna 441 para cubrir
completamente el territorio nacional con líneas de vuelo, como se muestra en la
Figura 7, en transectos separados en una trama de 50 km en la parte central y sur
de la República, y de 100 km en la parte norte. La diferencia se debió a la varie-
dad de especies y ecosistemas que existen en ambas zonas, siendo la parte norte
la que cuenta con menor número de ellos. Se tomaron aproximadamente 53 000
imágenes con una resolución promedio de 1 m, lo que permitió identificar po-
sitivamente a la gran la mayoría de las especies vegetales (Palacio et al., 2000).
El éxito en la interpretación se debió no solo al color y a la calidad de las
imágenes, sino también a la experiencia de los especialistas, a sus amplios conoci-
mientos de sus respectivas zonas de estudio y al trabajo de campo previo. La poca
Figura 7. Transectos de
vuelo efectuados a lo lar-
go y ancho de la República
Mexicana, para validar la
interpretación de la cober-
tura vegetal en el Inventario
Forestal Nacional, 2000.
disponibilidad de aeronaves, condiciones meteorológicas adversas y problemas de

tiempos de entrega del proyecto, solamente el 62% de las líneas de vuelo fueron
cubiertas, sin embargo, la exactitud total estimada en los mapas elaborados para
el inventario forestal fue de 78%, con un total de 25 000 puntos de verificación
procesados, para un total de 70 clases vegetales. Las matrices de error fueron
construidas comparando los puntos seleccionados al azar vs. la interpretación en
el mapa y la imagen digital (Peralta Higuera et al., 2001b).
Monitoreo del área de conservación ecológica al sur de la Cuenca de México

Por muchos años esta zona de conservación ecológica ha sido afectada por asenta-
mientos humanos irregulares y por cambios en el uso de suelo. La presión demo-
gráfica que ejerce una de las ciudades más pobladas del mundo, obliga a un moni-
toreo constante de esta importante área, cuyas funciones como resumidero de car-
bono y de captación de agua son fundamentales para la subsistencia de la propia
ciudad. En 2005 se llevó a cabo un levantamiento aéreo y el mosaico se muestra
en la Figura 9, éste se compone de 1 386 imágenes con tamaño de píxel entre 0.4
y 0.8 m, resolución suficiente para detectar pequeñas construcciones, aun debajo
de los árboles; dentro de los polígonos amarillos se encuentra la zona de conser-
vación ecológica. Con este mosaico se efectuó una comparación con uno previo
(2001), evaluando los cambios en el periodo 2001 a 2005, donde se detectaron
nuevos asentamientos en una zona de 6 300 ha (Peralta Higuera et al., 2005).
En este proyecto se trató de llevar a cabo la clasificación automática de las
zonas de conservación donde ocurrieron cambios, aplicando las mismas técnicas
que se utilizan en las imágenes satelitales, sin embargo, la variabilidad en la ima-
gen debido a las condiciones atmosféricas y de iluminación presentes en varios
Figura 8. La resolución de las imágenes permitió una identificación positiva de las especies,
al poder distinguir árboles individuales. Abajo se muestra un acercamiento de la imagen.
Figura 9. Ortomosaico del sur del valle de México, generado con fotografías de varias cam-
pañas aéreas del 2005.
levantamientos, que tomaron muchos meses en efectuarse, son factores a consi-

derar. Si bien la imagen digital de pequeño formato permite un amplio margen
de ajustes, éstos deben aplicarse de manera consistente, y definitivamente, es ne-
cesario contar con las bandas adecuadas para obtener resultados tanto en índices
de vegetación, como en las clasificaciones, para que sean equivalentes a aquéllos
obtenidos con las imágenes satelitales.
Manejo de subcuencas en el valle de México

La zona oriente del valle de México, considerando todas sus subcuencas aso-
ciadas, sufre de deforestación, inundaciones, tormentas de polvo, una erosión
Figura 10. Los polígonos en rojo indican las zonas de invasión al área de conservación
ecológica.
severa y cambios no planeados de uso de suelo. Varios proyectos financiados por

la Comisión Nacional del Agua (CNA) se han llevado a cabo para evaluar las
condiciones de la vegetación y tratar de implementar prácticas de conservación
en la zona. En 1997 se efectuó un primer levantamiento con fotografía digital en
color, generándose un primer mosaico de la zona (Figura 11) y en el 2000, en una
segunda campaña aérea, se añadió otra cámara para obtener imágenes infrarro-
jas, que sirvieron para mejorar significativamente los procesos de interpretación
(Figura 12). Con las fotografías del segundo vuelo se generó un mosaico, con el
que se efectuó un inventario de la infraestructura hidráulica, se monitorearon las
zonas reforestadas y se evaluaron los cambios en el periodo 1997-2000 (Figura
12). En un tercer levantamiento se cubrió adicionalmente un área de alta salini-
dad de aproximadamente 200 km2, con una resolución de 0.5 m, para evaluar
con más precisión los avances de las distintas especies vegetales en su proceso de
recuperación (Peralta Higuera et al., 2001a). Así que para el 2001, el área total de
estudio aumentó hasta 2 000 km2, debido al éxito de los programas de monito-
reo de los procesos estudiados y para incluir también los programas de irrigación.
Monitoreo de Áreas Naturales Protegidas y generación de cartografía

en islas y cayos
Es de particular importancia monitorear el estado de los recursos naturales y pre-
servar aquellas zonas declaradas como Áreas Naturales Protegidas (ANP), mismas
que entraron en esa categoría después de un proceso de evaluación de sus carac-
terísticas, efectuado por expertos de diferentes disciplinas. Este proceso de mo-
nitoreo se lleva a cabo a través de levantamientos regulares que efectúa personal
de la Comisión Nacional de Áreas Protegidas, de manera independiente, a partir
de un entrenamiento que se les proporcionó para efectuar levantamientos aéreos
con cámaras de pequeño formato (Carranza et al., 2003). Por otra parte, existen
algunas islas y cayos en México que no contaban con cartografía actualizada, en
particular la Isla Isabel, localizada a 60 km al sur de Nayarit, que es refugio tem-
poral de pescadores pero hábitat de distintas especies de aves. Para llevar a cabo
estudios de impacto ambiental en esta zona se generó un mapa a partir de imá-
genes obtenidas a dos alturas diferentes. Las imágenes del vuelo alto se usaron
como referencia para la generación del mosaico con las imágenes del vuelo bajo.
Otro ejemplo similar ocurrió con Cayo Arcas que tiene una longitud aproxi-
mada de 1 km y que se localiza a 200 km al este de Ciudad del Carmen, Campe-
che. Este es un lugar de gran importancia para el refugio de aves, sin embargo, se
encuentra rodeado por varias plataformas petroleras donde muchos buques tan-
que, provenientes de lugares como el lejano Oriente, descargan sus cisternas con
Figura 11. Mosaico semi-controlado de la zona oriental de la Cuenca de México. Generado a partir de imágenes digitales obtenidas en
el primer levantamiento aéreo de la zona, en 1997.
Figura 12. Imágenes visible y compuesta, utilizadas para monitorear procesos de reforesta-
ción, erosión e irrigación en la parte oriental de la Cuenca de México.
agua que es utilizada como lastre; desalojándola en el mar antes de ser llenados
con petróleo crudo. Se llevó a cabo un estudio integral de la zona, incluyendo la
hidrodinámica del arrecife contiguo al cayo, y el mapa elaborado con imágenes
digitales de alta resolución en color e IR, sirvió como cartografía base para dicho
estudio. Finalmente, los resultados demostraron que el impacto en los corales,
el agua y la arena no eran significativos, a pesar de la actividad petrolera en los
alrededores.
Evaluación de desastres
La imagen aérea digital de alta resolución, obtenida con cámaras de pequeño
formato, ha demostrado ser un medio muy rápido y conveniente para determinar
la magnitud de un desastre. Aun con la presencia de nubes, las cámaras digitales
son suficientemente sensibles para obtener imágenes útiles. En algunos casos,
donde el área no es muy extensa (i.e. decenas de kilómetros cuadrados), doce
607 000 606 000 609 000
2236 000
2236 000
2235 000
2235 000
2234 000
2234 000
607 000 606 000 609 000
Figura 13. Actualización de los mapas de la Isla Isabel, Nayarit y de Cayo Arcas, Campeche, utilizando imágenes aéreas digitales de
pequeño formato.
horas han sido suficientes para adquirir las imágenes y formar un mosaico se-
micontrolado, usando una cartografía base de la zona devastada. El contenido
en color e IR, permite una evaluación rápida a través de los estereopares. Como
ejemplo, lo ocurrido en 1998 cuando una avalancha de lodo cubrió muchas vi-
viendas en el pueblo de Pijijiapan, localizado en la planicie costera en el estado de
Chiapas, México (Figura 14). Posterior a la emergencia, un mosaico de imágenes
de pequeño formato que abarcaban una zona más amplia, junto con imágenes
de satélite, fueron utilizados para generar el mapa de riesgos, con la intención de
establecer programas de reubicación de la población.
En otro caso de inundación, ocurrido en el 2000 en una zona densamente
poblada en las afueras de la Ciudad de México, las imágenes en color e IR resulta-
ron de capital importancia para evaluar las afectaciones en las viviendas, después
de que la pared de un dique de aguas negras cediera ante la presión del agua. En
este caso particular, la utilidad de la imagen IR se puso de manifiesto al permitir
la delimitación exacta de la inundación a unas cuantas horas de haber ocurrido el
desastre. Desafortunadamente el mismo problema se presentó diez años después;
los hundimientos diferenciales del terreno son los causantes de las fracturas de las
paredes del dique. La zona inundada en esta ocasión fue prácticamente la misma
y se espera que las autoridades tomen algunas medidas de prevención para que
esto no ocurra nuevamente.
Discusión
Grandes levantamientos
La sensación de que las imágenes aéreas digitales de alta resolución no eran ade-
cuadas para llevar a cabo levantamientos de grandes extensiones de territorio,
debido a la gran cantidad de fotografías que era necesario procesar, en compa-
ración con las imágenes obtenidas con cámaras aerofotográficas convencionales,
fue sobrepasada muy pronto. Para 1997 el Instituto de Geografía de la UNAM,
llevó a cabo el primer levantamiento aéreo de la porción oriental de la cuenca de
México, efectuando un primer mosaico semicontrolado de la zona. A partir de
esta experiencia se comenzaron a utilizar las imágenes aéreas digitales en otros
proyectos en México, debido al éxito alcanzado, sobretodo en la etapa de inter-
pretación, que a su vez fue consecuencia de la buena resolución y calidad de las
imágenes, el procesamiento casi inmediato y su inclusión directa a un SIG.
Posteriormente, a principios de 1999, se hizo un levantamiento de la laguna
de Agua Brava en Nayarit, México, con la finalidad de efectuar un estudio de
Figura 14. Mosaico de la zona de desastre en el pueblo de Pijijiapan. La inundación cubrió muchas viviendas en octubre de 1998, a
consecuencia de lluvias torrenciales en las partes altas.
470 000 475 000 480 000 485 000 490 000 495 000 500 000
2165 000
2165 000
2160 000
2160 000
2155 000
2155 000
2150 000
2150 000
2145 000
2145 000
2140 000
2140 000
2135 000
2135 000
2130 000
2130 000
470 000 475 000 480 000 485 000 490 000 495 000 500 000
5 0 5 10 15 20 kilómetros
Figura 15. Primer ortomosaico del Valle de México, generado a partir de 450 imágenes digi-
tales de pequeño formato.
impacto ambiental, cubriendo un área de 1 225 km2 y con un tamaño de pixel

de 2.1 m. Para ese mismo año, se comenzaron los levantamientos aéreos en la
Reserva de la Mariposa Monarca; en la primera campaña aérea se efectuaron 14
transectos y se utilizaron 600 imágenes para formar el mosaico semicontrolado,
cubriendo un área aproximada de 765 km2. Cabe mencionar que la zona de la
Monarca y la Cuenca de México se fotografían de manera rutinaria en periodos
de 1 o máximo dos años, entre cada campaña de vuelo. Para el 2000, se efectuó un
levantamiento aéreo de la Cuenca de México, cubriendo un área de 1 400 km2,
formando un mosaico ortorectificado, es decir, un arreglo secuencial de imágenes
contiguas que han sido corregidas geométricamente y que poseen la calidad de
un mapa. Dicho mosaico se formó a partir de 540 imágenes, cada una de ellas
con una cobertura de 4.5 x 3.1 km con una resolución de dos metros (Figura 15).
Los mosaicos ortorectificados son obtenidos en la actualidad a través de procesos
bien establecidos (Prado J. et. al., 2006; López F., 2006; Ramírez M. A., 2011),
lo que permite cubrir áreas del orden de 3 600 km2 y obtener mapas con errores
dentro de estándares, como los establecidos por la American Society of Photo-
grammetry and Remote Sensing (ASPRS, 2011).
Conclusiones
Como lo demuestran los diferentes ejemplos mostrados en este capítulo, las imá-
genes aéreas digitales de alta resolución obtenidas con cámaras de formato pe-
queño representan una opción adecuada y, en algunos casos, muy rápida para
llevar a cabo diferentes estudios. En todos aquellos proyectos donde sea necesaria
una alta resolución espacial y temporal, y existan restricciones económicas y se
requiera de una gran flexibilidad operativa, la imagen digital de pequeño formato
ofrece ventajas significativas. Como era de esperarse, la tecnología ha jugado un
papel preponderante en el desarrollo de estos sistemas de percepción remota, al
proveer imágenes de mayor resolución y mejores programas de computadora para
llevar a cabo la corrección geométrica y la formación de los mosaicos. Sin embar-
go, un aspecto que es indispensable también apoyar, es el desarrollo de personal
altamente especializado en la interpretación y análisis de las imágenes.
Para llevar a cabo la evaluación de desastres, la imagen aérea digital de pe-
queño formato ha demostrado ser un material adecuado, ya que los equipos de
adquisición de imágenes pueden montarse en prácticamente cualquier aeronave
convencional e inclusive en sistemas no tripulados, lo que permite hacer un estu-
dio en unas pocas horas.
Capítulo 5. Distribución de aves rapaces
en Los Tuxtlas: un acercamiento espacio-estadístico
Ana Rosa Rosales Tapia
Introducción
Dada su situación geográfica, México se caracteriza por una gran cantidad de am-
bientes diferentes que permiten la existencia de un número muy elevado de fauna
silvestre. De ésta, las aves constituyen un grupo muy diverso, con aproximada-
mente 1 018 especies (Peterson y Chaliff, 1998) distribuidas a través del territorio
nacional. Para estructurar una estrategia apropiada para el manejo de estos recur-
sos, es necesario conocer ampliamente los diferentes aspectos biológicos de estos
animales (Flores y Gerez, 1988), desde su distribución geográfica, sus hábitos de
alimentación, reproducción y migración, hasta su fisiología y bioquímica. Desafor-
tunadamente algunos grupos de aves que están muy bien representados en Méxi-
co, como el orden de los Falconiformes, han sido poco estudiados por las dificul-
tades que esto implica como su observación e identificación, así como su captura,
actividades que implican técnicas especializadas y complicadas (Newton, 2000).
A pesar de las dificultades arriba mencionadas, es muy importante estudiar
estas especies que se encuentran en la parte superior de la cadena alimenticia, en
densidades muy bajas en comparación con la gran mayoría de las aves (Brown
y Amadon, 1989), y que son extremadamente sensibles a los cambios inducidos
en su hábitat por las actividades antropogénicas. Esta vulnerabilidad le da a esta
ave de presa, además de su importancia como eslabón en el ecosistema, un papel
muy importante como indicador ambiental (Burton, 1989), en parte debido a la
disminución en las poblaciones de algunas especies, como el halcón peregrino
(Falco peregrinus) o el águila pescadora (Pandion haliaetus), (Johnson, 1981).
La fauna de la región neotropical de Los Tuxtlas es muy diversa en su biota
y combina diferentes especies de origen neotropical y neoártico así como endé-
116 . José Antonio Quintero Pérez y Ana Rosa Rosales Tapia
micas (Andrle, 1964; Dirzo, 1987; Ibarra y Sinaca, 1987; Pérez et al., 1987). Los
Tuxtlas es el hogar de más de cien especies migratorias (Winker et al., 1992) que
convergen en esta región a lo largo de dos importantes rutas migratorias: aves que
siguen la costa del Golfo de México, y aquéllas que vuelan sobre el Golfo. De és-
tas, un gran número se clasifica en alguna categoría de riesgo como la de especies
amenazadas por la lista roja de la IUCN5 y CITES.6 Se encuentran particularmente
amenazadas aquellas especies de aves insectívoras, carnívoras o las que dependen
del follaje, las especies que tienen un sistema social territorial y requieren recursos
especializados del hábitat, aquéllas con bajas tasas de reproducción o que anidan
cada dos o tres años y son objeto de caza o son comercializadas (Ramos, 1985).
Los Tuxtlas, considerada un área de alta prioridad para la conservación de
aves en México (Waugh y Pérez-Gil, 1992) contiene más de 40 especies de Fal-
coniformes; sin embargo, fuera de los registros generalmente esporádicos no ha
habido un estudio sistemático sobre este importante grupo en la región de Los
Tuxtlas. Este estudio da un paso más en la construcción del conocimiento sobre
estas aves rapaces por medio de la descripción de la distribución espacial del gé-
nero Buteo. El propósito de esta investigación es identificar no solo la distribución
actual de este género, sino también obtener información actualizada sobre las
preferencias de su hábitat.
Problemas de conservación
Como en el caso de la mayoría de las especies silvestres, no es adecuado estudiar

a las aves rapaces como un evento aislado. Éstas se encuentran en la cumbre de
la cadena trófica y todo lo que afecta a la base de esta pirámide lo hace, por con-
siguiente, a la cima.
La urbanización, la industrialización, el uso de pesticidas y la persecución
(por ejemplo, la caza) en muchos casos provocan la reducción de la población o
incluso su extinción (Stotz et al., 1996). La conservación de las aves rapaces debe
comenzar con la protección y conservación de los hábitats y los ecosistemas en
que viven. En Los Tuxtlas, la situación de las aves residentes, cuyos hábitos están
íntimamente ligados a los bosques, es especialmente preocupante porque la des-
5 International Union for Conservation of Nature (Unión Internacional para la Conserva-

ción de la Naturaleza).
6 Convention of International Trade in Endangered Species of Wild Fauna and Flora (Con-
vención de Comercio Internacional de Especies Amenzadas de Fauna y Flora Silvestres).
Distribución de aves rapaces en Los Tuxtlas: un acercamiento espacio-estadístico . 117
trucción de su hábitat tiene una consecuencia directa, animales como el águila

arpía (Harpia harpyja) han desaparecido.
En general, se puede decir que la clave para la conservación de las aves es el
correcto manejo forestal a fin de mantener un número adecuado de individuos
sanos y vigorosos de cada especie. Al mismo tiempo, las poblaciones deben ser
grandes y lo suficientemente resilientes para soportar los severos impactos am-
bientales: necesitan una proporción igual de sexos, así como una tasa de recluta-
miento adaptada para mantener una población viable a perpetuidad (Ibid.).
Entre los componentes del hábitat que deben ser considerados están: aéreas
para la alimentación, lugares para la reproducción y la crianza de los pollos, el
hábitat adecuado para el invierno (o huracanes, en el caso de esta región), y el es-
pacio suficiente para una dispersión normal de las aves juveniles, movimientos
migratorios y otros comportamientos territoriales (Olendorff, 1993).
En los últimos años, el paradigma principal que ha dominado el manejo y la
administración de las áreas naturales protegidas ha sido la integración de la con-
servación biológica con el desarrollo social sostenible. Este enfoque tiene sentido
en cualquier país en vías de desarrollo, donde las áreas naturales protegidas pre-
sentan casi siempre asentamientos humanos. Estas áreas, por lo tanto, presentan
una fuerte presión sobre sus recursos debido, entre otros factores, a las condicio-
nes de pobreza extrema, la aplicación de políticas incompatibles con los esfuerzos
de conservación y la falta de respaldo institucional para su administración.
Parte del territorio de México está cubierta por bosques, en particular el
estado de Chiapas, y en menor medida Oaxaca y Veracruz (Pennington y Sa-
rukhan, 2005), siendo este último donde los bosques han sido destruidos en gran
medida y solo subsisten fragmentos de lo que alguna vez fue un extenso bosque
de selva húmeda tropical; es en esta región donde se encuentra la Sierra de Los
Tuxtlas. Algunos ecosistemas forestales aún existen en Los Tuxtlas pero con índi-
ces de deforestación que superan el 4% al año. Esto sugiere que de los 16 millones
de kilómetros cuadrados de bosque que cubrían a esta región originalmente en la
década de 1970, se ha producido una disminución de 10 millones de km2 de ve-
getación relativamente intacta (Wilcox et al., 1988; Wilson, 1988; Dirzo, 1991).
La preservación de la mayoría de las especies amenazadas depende principal-
mente de la protección y el adecuado mantenimiento de sus hábitats naturales y
para las especies que evolucionaron con una distribución continua, la fragmen-
tación en pequeñas poblaciones aisladas aumenta la susceptibilidad a la extin-
ción. Estas poblaciones fragmentadas son vulnerables a una variedad de factores,
incluyendo los eventos ambientales catastróficos, fluctuaciones demográficas,
epidemias y depredadores (Terborgh y Winter, 1980; Wilcox, 1980), además de

estar sujetas a la deriva genética.
Historia natural del género Buteo

El género Buteo comprende 25 especies y se encuentra casi en todas partes excepto
en Australia y gran parte de la India. Sus miembros son halcones de tamaño me-
diano con alas anchas y amplia cola; bien adaptados para planear y remontar. El
género se desarrolló probablemente en América del Sur donde se encuentran va-
rios géneros más primitivos similares. El nombre Buteo significa “halcón”, un tér-
mino que se refiere acertadamente a algunos halcones del viejo mundo pero es mal
empleado para referirse a los buitres. El Halcón de Cola Roja (Buteo jamaicensis)
es a menudo considerado el representante de este género (Bull y Farrand, 1995).
Clasificación
Reino: Animalia
Phylum: Chordata
Clase: Ave
Superorden: Neoghathae
Orden: Falconiformes
Familia: Accidpitridae
Género: Buteo
Hábitat
En general, este género construye su nido en el borde del bosque o en grandes
árboles rodeados de zonas abiertas, pero también se pueden encontrar en áreas
semi-abiertas con árboles dispersos. Su territorio principal se compone de gran-
des arboledas, rodeadas de campos con pastos para alimentarse y perchas sobre-
salientes en torres de energía, postes de cableado y árboles a orillas de las carrete-
ras y cuerpos de agua. En las regiones más septentrionales les gusta permanecer
cerca de los árboles de coníferas (Preston y Beane, 1993), sin embargo, más al sur
se mantienen alrededor de los árboles caducifolios. Muchas aves son ocupantes
durante todo el año de alguna región, aunque las aves del norte migran hacia el
sur durante el otoño para escapar de los rigores del invierno.
Este género es un residente bastante común desde el nivel del mar hasta los 1
800 m sobre el nivel de éste en ambas costas mexicanas: en la costa del Pacífico,
desde Sonora hasta Chiapas, y en el Golfo de México, desde Tamaulipas hasta
Yucatán, incluyendo el Mar Caribe en Quintana Roo, y localmente en el interior
desde la cuenca del Balsas a El Salvador y Honduras (Howell y Webb, 1995). El
área de distribución continental de este género es desde el suroeste de Estados

Unidos y México hasta Ecuador y el norte de Argentina.
Hábitos alimenticios
Suelen cazar desde perchas pasando gran parte del tiempo en busca de presas
desde una posición alta para alimentarse de una amplia variedad de especies uti-
lizando sus poderosas garras como armas. El 80 a 85% de su dieta se compone de
pequeños roedores, sin embargo, pueden capturar mamíferos tan grandes como
conejos, reptiles y otras aves que constituyen el resto de su dieta. Los tordos ma-
chos de alas rojas son frecuentemente devorados debido a su visibilidad cuando
cuidan sus nidos (Ferguson-Lees y Chistie, 2006), en términos generales, lo que
cazan es típicamente una función de lo que está disponible, así como del tamaño
y nivel de experiencia del halcón.
Reproducción
El género Buteo por lo general comienza a criar a los tres años de edad, tiende a
ser monógamo, y busca una nueva pareja solo cuando la suya muere. Una señal
segura de la época de reproducción y crianza durante la primavera es que el ma-
cho y la hembra se posan sobre el mismo árbol para cazar. Durante el cortejo,
las aves vuelan cerca uno del otro en círculos, en vuelos con una duración de
diez minutos o más, y usualmente el apareamiento viene después (DeGraaf y
Rappole, 1995).
Los nidos son generalmente de 28 a 38 pulgadas de diámetro. A veces se
utilizan año tras año y pueden ser de hasta 1 m de altura. Ambas aves construyen
el nido utilizando hojas de árboles caducifolios aproximadamente de 4 a 21 m
por encima del suelo. Los nidos son construidos con ramas, mientras que el re-
vestimiento está formado por hojas y corteza que se depositan en el nido durante
todo el año para mantenerlo limpio (Smith et al., 2003). De uno a cinco huevos
son puestos en la primera semana de abril siendo incubados durante unos 30
días, ambos padres ayudan en esta tarea, y los huevos eclosionan en intervalos de
uno a dos días. Los machos llevan comida a la hembra mientras está en el nido y
desgarran los alimentos para las crías inicialmente, dejándolo más tarde entero.
A las crías les crecen plumas alrededor de los primeros 45 días (Ferguson-Lees y
Christie, 2006).
Conducta
Estas aves son muy territoriales y su entorno puede variar en tamaño desde 0.5
hasta más de 5 en función de los alimentos, las perchas, y sitios de anidación
disponibles (Zeigler y Bischof, 1993). La hembra suele ser más agresiva alrededor
del nido, mientras que el macho es más agresivo cuando se trata de los límites
del territorio. Estas aves se elevan planeando con un movimiento ondulatorio,
ascendente y descendente, sobre su territorio, principalmente en los días claros,
en busca de intrusos.
Área en estudio
La cadena montañosa de Los Tuxtlas, cuyo nombre, según Andrle (1964) se deri-
va del dialecto Náhuatl toxtli, traducida al español como conejo, es un grupo de
montañas que se originó por la actividad volcánica. Esta cordillera está situada
en la llanura costera del Golfo de México en el sur del estado de Veracruz (Figura
1). La cordillera se divide en dos secciones, una al noroeste formada por el volcán
San Martín Tuxtla (1 720 m), y la otra al sureste llamada Sierra de Santa Marta
(1 650 m). Estas dos secciones están separadas por una depresión en la que se
anida el lago de Catemaco, formado a partir de los cráteres de varios volcanes
extintos (Figura 2).
La amplia gama de características fisiográficas, desde la playa al cráter, pa-
sando por barrancas de laderas escarpadas, aunadas a la humedad y el clima tro-
pical, conducen a una gran variedad de hábitats disponibles para la vida silvestre
y una increíble diversidad de especies de aves (hasta 568 según algunos cálculos)
dentro de un área relativamente pequeña (Pare et al., 1992). Como se mencionó
anteriormente, la zona de Los Tuxtlas representa la mayor porción intacta y el
último parche de bosque tropical lluvioso en el estado de Veracruz, además de ser
la línea de frontera entre las regiones Neártica y la Neotropical del continente.
Esta pequeña zona costera limitada por la Sierra de Los Tuxtlas es reconocida
como una zona importante para aves migratorias de estas dos regiones contribu-
yendo también a la biota que da cuenta de su enorme variedad de taxones como:
aproximadamente 2 500 especies de plantas, 80 pteridofitas (helechos), más de
1 200 insectos, 122 reptiles y anfibios, más de 561 especies de aves y alrededor
de 128 mamíferos.
Muchas especies vegetales y animales que se encuentran aquí son exclusivos
de México o de la zona, y no se encuentran en ninguna otra parte del mundo.
La mayoría de los reptiles y anfibios están restringidos a pequeñas áreas aisladas
de bosque de montaña. La región cuenta con la mayor diversidad de aves en Mé-
xico en términos de superficie comparable. Es también un refugio para muchas
especies raras y amenazadas que han sido desplazadas de otras zonas de México,
120ºW 110ºW 100ºW 90ºW

Figura 1. Ubicación del área
en estudio.
30ºN
30ºN
Veracruz
20ºN
20ºN
Los Tuxtlas
120ºW 110ºW 100ºW 90ºW
95º15’W 95º0’W 94º45’W

18º30’N
18º30’N
18º15’N
18º15’N
Leyenda
• Puntos del género Buteo
Índice de vegetación
Normalización en Falso Color
0 10 20 km
95º15’W 95º0’W 94º45’W
Figura 2. Los Tuxtlas, el área en estudio con los puntos de género Buteo.
entre ellos 19 especies de mamíferos en peligro de extinción (Dirzo y Miranda,

1992). La sierra de Los Tuxtlas se compone de siete volcanes mezclados con una
variedad de lagos, lagunas y pantanos. Esta es la segunda zona más húmeda de
México, con fuertes lluvias en verano y una precipitación media de 470 cm al
año (Luna, 1994).
Por otra parte, dentro de esta zona se ubican más de 700 localidades, cuya
población va en algunos casos de menos de diez habitantes, hasta las que superan
los 50 000 (áreas urbanas). Muchas de éstas se localizan en las partes más planas,
hacia los bordes del bosque y de los cuerpos de agua, sin embargo, se encuentran
dispersas en toda el área en estudio, lo cual implica una gran presión para los
relictos de bosque que se encuentran en el área por el cambio del uso de suelo (de
forestal a pastizal inducido o de agricultura), desarrollándose las áreas urbanas y
su infraestructura (Figura 3).
95º15’W 95º0’W 94º45’W

18º30’N
18º30’N
18º15’N
18º15’N
Leyenda
• Localidades
Curvas de nivel
Cuerpos de agua
0 10 20 km
95º15’W 95º0’W 94º45’W
Figura 3. Localidades dentro del área en estudio.

Métodos
Objetivo
Identificar las preferencias de hábitat del género Buteo utilizando el análisis
espacio-estadístico con base en una distribución conocida. Usando una meto-
dología de cuadrantes y un análisis de regresión, se identificaron las variables
que mejor describían la presencia de este género en el paisaje, discutiéndose los
resultados con una base biológica y concluyendo con una explicación espacial de
esta distribución.
Visión general
La comprensión de las preferencias de hábitat de las especies silvestres es im-
portante, no solo para mejorar el conocimiento ecológico sobre esa especie, sino
también para diseñar estrategias para la protección de su hábitat. En este sentido,
es necesario desarrollar metodologías para cartografiar y monitorear de forma
rápida y rentable estos paisajes para determinar su valor de conservación (For-
man y Gordon, 1986). Esto es especialmente cierto en México donde el rápido
cambio en el uso de suelo, resultante de la deforestación y el desarrollo agrícola
(Gobierno del Estado de Veracruz, 1991; INE, 1993), ha ejercido presión sobre los
hábitats naturales y semi-naturales y resulta urgente su conservación, como en
Los Tuxtlas.
A pesar de que existe una cantidad considerable de información cualitativa
que describe las preferencias de hábitat de diversas especies de aves rapaces, tales
estudios con frecuencia no son bien representados espacialmente (Brown, 1974).
Hasta cierto punto, esto es el resultado de las dificultades inherentes a la recopi-
lación de la información del hábitat por métodos convencionales, incluyendo la
interpretación de fotografías aéreas y trabajo de campo, y que posteriormente se
tratan de cuantificar y georreferenciar para un análisis estadístico.
La posibilidad de clasificar grandes extensiones de tierra por medio de imá-
genes de satélite ofrece para ciertos tipos de paisajes y de flora y fauna silvestres, el
aumento de oportunidades para desarrollar modelos cuantitativos de las relacio-
nes entre coberturas de suelo, diversidad de especies y estimación de abundancia
(Palma, 1997). El gran número de clases que se pueden extraer de las imágenes
de satélite constituyen una base rigurosa para el desarrollo y ensayo de modelos
estadísticos y ecológicos como apoyo a los sistemas de decisiones y modelos linea-
les generales. Los resultados de estos modelos se pueden aplicar a grandes áreas
cubiertas por imágenes de satélite.
Este estudio presenta un análisis basado en una regresión múltiple de la

distribución espacial de ocho especies de rapaces (Buteo albonotatus o aguilucho
negro, Buteo brachyurus o halcón de cola corta, Buteo jamaicensis o halcón de cola
roja, Buteo lineatus o halcón de hombros rojos, Buteo magnirostris o gavilán po-
llero, Buteo nitidus o halcón gris que se conoce también como el Azor Mexicano,
Buteo platypterus o halcón aliancho y Buteo swainsoni o halcón de chapulinero)
agrupadas en un solo género (Buteo) que serán nuestros puntos de observación
o variable dependiente que es analizada en relación con dos clasificaciones de
vegetación diferentes extraídas de una imagen de satélite (Landsat 7 ETM+), da-
tos derivados de un modelo digital de elevación (MDE), hidrografía, y rasgos
antrópicos como caminos y asentamientos humanos o variables independientes
con la finalidad de establecer una dependencia entre el paisaje y el patrón de
distribución existente.
Origen de los puntos observados

El conjunto de observaciones puntuales de este estudio representa 148 registros
del género Buteo, resultado de 954 horas de monitoreo durante la época de secas y
lluviosa del 2000 entre los meses de febrero y noviembre. Estas 148 observaciones
del género Buteo fueron extraídas de una lista de 309, de las cuales 28 especies di-
ferentes quedaron agrupadas en 13 géneros distintos. Solo el género Buteo se utili-
zó para este estudio por la cantidad de observaciones, otros géneros como Accipi-
ter, Circus, Micrasur solo estaban representados por unas cuantas observaciones.
La lista final de 309 observaciones representa solo las aves cuyos datos (ubi-
cación, altitud, y la información relevante como especie, género, edad, etc.) eran
consistentes por las horas de estudio invertidas. Esto se hizo para asegurar que
cada observación representara solo a un individuo y que fuera un residente per-
manente, dándole uso al hábitat con base en su conducta.
Datos de vegetación
La imagen de satélite que se utiliza en este proyecto viene del satélite LANDSAT 7,
que utiliza el sensor ETM+ y que corresponde al path/row (columna/fila) 023/047
del 01 de abril de 2000 con una resolución espacial de 30 m en las seis bandas
multiespectrales. Esta escena que corresponde a la temporada de estiaje, el inicio
del estudio, fue orientada al mapa con la proyección Universal Transversa de
Mercator (UTM), y cae en la zona 15 norte utilizando NAD27 (North American
Datum 1927) y esferoide de Clarke 1866 como datum.
El proceso de registro de la imagen se realizó con PCI Geomatics, debido a
que la interfaz gráfica ofrecía mejores soluciones. Para esta corrección geométri-
ca las cartas escala 1:50 000 del Instituto Nacional de Estadística, Geografía e
Informática (INEGI) se utilizaron para generar los puntos de control terrestre. La
imagen fue importada de su formato nativo (.HDF) en formato de PCI (.PIX), y
después corregida radiométricamente, de 16 bits remuestreándola a 8 bits. Los
Tuxtlas es una pequeña fracción de toda la escena y con el fin de acelerar todo
el proceso la imagen original fue recortada utilizando el polígono del área en
estudio.
De acuerdo con la literatura, la vegetación es sumamente importante para el
orden Falconiformes, por lo que se generaron dos índices de vegetación a partir de
la imagen de satélite, Tasseled Cap y NDVI. Éstos se compararon con el fin de pro-
bar cuál describe mejor la presencia de las aves rapaces dentro del área en estudio.
El primer índice creado fue el Tasseled Cap, que se desarrolló para trabajar con las
cuatro bandas originales del sensor MSS y después adaptado para trabajar con
el sensor ETM+, ambos de la serie Landsat. Esta transformación se utiliza am-
pliamente en la investigación de cultivos identificando el brillo del suelo, la ve-
getación verde y la humedad, así como otros tres índices relacionados con pro-
piedades atmosféricas (Jensen, 2004). De las seis transformaciones ortogonales
calculadas por el índice Tasseled Cap, los dos primeros contienen la mayor parte
de la información de la imagen, matemáticamente hablando, de los cuales solo se
utilizó el verde de la vegetación o “índice de verdor” para este estudio que es ge-
nerado multiplicando cada una de las bandas por su correspondiente coeficiente
Tasseled Cap (Richards y Jia, 2005).
El segundo índice que se creó fue el NDVI (Normalized Difference Vegeta-
tion Index) que utiliza las bandas TM3 (rojo visible) y TM4 (infrarrojo cercano) de
la imagen. Este índice resalta la vegetación usando características intrínsecas
de ésta representadas por el número digital en cada banda. La banda TM3 se uti-
liza para detectar la reflectancia verde generada por la clorofila en la vegetación
(qué tan verde es la vegetación). La banda TM4 se usa para contrastar la vegeta-
ción viva y la muerta (qué tan brillante es la vegetación) además de que es sensible
a la humedad superficial del suelo.
La fórmula del NDVI es también llamada fórmula multirradial simple, y se
representa de la siguiente manera:
NDVI =
TM4 - TM3
TM4 - TM3
Este cociente multiplicado por 255 revela los valores de los intervalos de gris
de la imagen y entran dentro de la proporción de las bandas más comunes en
percepción remota y como resultado de éste se obtiene una sola banda (Howard,
1991). Este índice se utiliza para mejorar la discriminación entre suelo y vegeta-
ción, y para reducir el efecto del relieve (pendiente y orientación) en las clasifica-
ciones espectrales de las diferentes coberturas vegetales (Hashimoto et al., 1993).
Componentes vectorial y raster
Para obtener los datos de elevación del área en estudio se generó un modelo digi-
tal de elevación (MDE) del terreno a partir de las curvas de nivel escala 1:50 000
de INEGI con una resolución de 20 m utilizando la extensión Spatial Analyst de
ArcGIS. Así mismo, utilizando este MDE se extrajeron las pendientes en grados
de inclinación y el aspecto u orientación de las laderas en grados radiales.
Los datos vectoriales correspondientes a los ríos y cuerpos de agua, así como
las actividades antrópicas representadas por las vías de comunicación (pavimen-
tadas y terracerías) y las localidades tanto puntuales como poligonales también se
obtuvieron de las cartas de INEGI escala 1:50 000. A estos vectoriales se les gene-
raron buffers o polígonos de influencia para obtener las distancias del rasgo hacia
afuera como un parámetro de proximidad a éstos, siendo una propiedad del espa-
cio que por ser topológica deberá demostrar alguna relación espacial con nuestros
puntos de observación. Estos productos secundarios del análisis de proximidad
son rasterizados mediante la extensión Spatial Analyst con un tamaño de píxel de
20 m con la finalidad de poder utilizar esta información junto con los derivados
del MDE y los índices de vegetación obtenidos en un solo modelo.
Una vez más, retomando la literatura relacionada a este género que hace
referencia a los diferentes usos de los espacios, se tiene que el factor humano está
presente y una manera de representarla en nuestro modelo es considerando las
áreas urbanas que se encuentran en la zona en estudio y que a su vez presentan
una organización espacial de conectividad mediante las vías de comunicación,
por lo cual son considerados estos dos rasgos. Aunado a éstos, la presencia del
agua es un factor a tomar en cuenta ya que la literatura nos dice que de manera
indirecta estas aves dependen de la cacería de otras especies que se encuentran
relacionadas a este recurso, por lo cual la hidrografía también es un elemento a
considerar en el modelo. Por otro lado, una vez revisada el área en estudio, se
tiene que la fisiografía del lugar es bastante accidentada, por lo cual se decidió
tomar en cuenta las características principales de este paisaje, como la elevación,
la pendiente y la orientación de laderas, que en algún momento podrían dar res-
puesta a la pregunta de estudio.
Componente estadístico
División del área en estudio

El área en estudio se dividió usando una malla regular que se creó utilizando
una técnica de cuadrantes, en el que el tamaño óptimo del cuadrante se puede
calcular de la siguiente manera:
Tamaño del cuadrante = 2 * A

n
en donde A es el área de la zona en estudio y n es el número de puntos en la

distribución, por lo tanto el mejor tamaño de celda es √2 * A / n (Lee, 2001).
Esta fórmula se utilizó dentro del software ArcGIS usando la extensión ET Geo-
Wizard, en la que se introduce la extensión total del área en estudio y el tamaño
de cuadrante o celda deseado. La malla resulta de 14 por 12 celdas con un área
de 38.44 y solo aquéllas que caen dentro del límite del área en estudio son con-
sideradas para el análisis estadístico (Figura 4). El criterio para elegir qué celdas
caen dentro del área de interés se basó en el porcentaje de cobertura de cada una
y solo aquéllas con un 80% son consideradas resultando un total de 64, las cuales
fueron cortadas con el polígono que comprende el límite del área en estudio.
Minería de datos
Una vez que las celdas elegidas se cortaron se obtiene el número de puntos de
observación por cada una para obtener la frecuencia, generando una base de
datos con 64 registros convirtiéndose en la variable dependiente para el análisis
estadístico con el nombre de B_pts (Figura 5). Para obtener las variables inde-
pendientes se sobrepone la malla de 64 celdas sobre cada una de las coberturas
previamente procesadas (índice de verdor Tasseled Cap, índice de vegetación nor-
malizado NDVI, elevación, pendiente, orientación de laderas, presencia de agua,
localidades, vías de comunicación) en formato raster. Utilizando la opción Zonal
Statistics (estadísticas zonales) de la extensión Spatial Analyst en ArcGIS se obtie-
ne la media estadística de los valores que caen dentro de cada una de las 64 celdas
guardando estos valores en la base de datos en su respectivo campo (X_green,
X_ndvi, X_elev, X_slope, X_aspect, X_stream, X_town, X_road) repitiendo
este proceso con cada una de las ocho coberturas (Figura 5).
10--2
9--1 9--2 9--3 9--4 •••9--5

••
•
•••• ••••••••••
8--1 8--2 8--3
• ••••
8--4 •8--5
7--1 7--2 ••••• ••7--4 7--5

7--3 •••• ••• 7--6 7--7 7--8 7--9
•
•••• •• ••• •
6--1 6--2 6--3 6--4 6--5 •
• 6--6 6--7 6--8 6--9
•
5--6 •5--7
5--2 5--3 5--4 5--5
••• • •• 5--8 5--9 5--10
•• •• •
4--3 4--4
4-3 4--5 4--6 4--7 ••
4--8 4--9 4--10 4--11
•
3--4 3--5 3--6 3--7 • 3--8 3--9 3--10 3--11 3--12
••
2--4 2--5 2--6 2--7 2--8
• 2--9
1--7 1--8
Figura 4. Malla de 64 celdas y los puntos de observación del género Buteo.
Figura 5. Base de datos con las variables dependientes e independientes.

Análisis
Con el fin de analizar los datos, la base de datos final con los 64 registros se
importó al paquete estadístico SPSS. Aquí se llevaron a cabo diferentes pruebas
estadísticas para llegar a conocer qué información es más relevante para explicar
la presencia de las observaciones en el área en estudio, en otras palabras, para de-
terminar por qué las aves rapaces del género Buteo se encuentran en cierto lugar
y no en otros.
La mayoría de los problemas espaciales en el mundo real implican múltiples
variables, y esto es particularmente cierto cuando se construye un modelo para
entender por qué algo sucede en un lugar determinado y no en otro. El objetivo
del análisis espacial es explicar el patrón de distribución de un evento y deter-
minar en qué proporción una variable independiente interviene, una manera de
abordar este tipo de eventos es utilizando un enfoque de regresión múltiple. Esta
prueba estadística modela la media de la distribución de una variable dependien-
te, como una función de diversas variables independientes. En este estudio, ocho
variables del paisaje son utilizadas para explicar las 148 observaciones del género
Buteo y definir el grado de influencia de cada una.
Con el fin de aplicar un análisis de regresión múltiple, algunos supuestos se
tomaron en cuenta: la relación entre la variable dependiente y cada variable inde-
pendiente debe ser lineal o acercarse a ésta y cuantitativa; la distribución de cada
variable debe ser normal o cercana con respecto a la línea de regresión; la varianza
residual de la distribución no debe variar de los valores ajustados entre el máximo
y el mínimo, y los residuos independientes, el valor de un error no se ve afectado
por el valor de algún otro error. Para conocer la naturaleza del conjunto de datos
e inferir los supuestos mencionados anteriormente, se realizaron estadísticas des-
criptivas, analizando las medidas de tendencia central y de dispersión de los datos
para conocer la extensión y la forma de la información, sin embargo, deducir si
las necesidades de adaptarse a una línea recta o un plano con n dimensiones es
posible con cada variable; no es una tarea sencilla. En este caso, la estadística
descriptiva ofrece un panorama general a través del paisaje que describe el estado
de la distribución espacial de cada variable.
Si la distribución resultante no fuera la ideal de acuerdo con los supuestos
pero si significativa, se podrá afirmar que la relación se asemeja a una línea y dar
esta variable por buena para una estadística paramétrica procesando todas las
variables con la t (Student) y F (Fisher)
Además de la estadística descriptiva, se llevó a cabo una matriz de correla-
ción de Pearson que proporciona una visión del tipo de relación que existe entre
las variables, así como el grado de significancia entre ellas para poder comple-
mentar los supuestos establecidos.
Resultados y discusión
Estadística descriptiva
La estadística descriptiva para cada variable se calculó y se presenta en las siguien-
tes dos tablas. La primera descripción es sobre la variable dependiente o puntos
de observación (genero Buteo, Tabla 1), y la segunda se refiere a las variables in-
dependientes o explicativas (atributos, Tabla 2) con su respectiva interpretación.
Puntos de observación, variable dependiente

Estadísticas descriptivas
El rango es la diferencia entre los valores más pequeños y más grandes observa-
dos en una variable. Este valor se usa para determinar el número de clases en el
histograma y se considera como una medida de la variabilidad.
La media (también llamada media aritmética o promedio) es la medida más
apropiada de tendencia central al utilizar datos de intervalo o razón que en este
caso resultó en 2.31 y nos dice donde se encuentra el promedio de la distribución
de las frecuencias. El error estándar de la media es la desviación estándar hipoté-
tica de N y una medida de qué tanto varía el valor de la media de la distribución
utilizada para comparar la media observada con su valor hipotético. En este caso,
Tabla 1. Estadísticas descriptivas para la variable dependiente

Maximum Statistic
Minimum Statistic
Variance Statistic
Mean Skewness Kurtosis

Range Statistic
Std. Deviation
Sum Statistic
N Statistic
Statistic
Std Error
Std Error
Std Error
Statistic
Statistic
Statistic
B_PTS
64 38 0 38 148 2.31 .76 6.10 37.266 4.164 .299 20.149 .590

(listwise)
Valid N
64
Fuente: SPSS, versión 11.

Tabla 2. Estadísticas descriptivas de las variables independientes
Mean Skewness Kurtosis
Std.
Range
Statistic Std Error
Statistic
Statistic
Statistic
Statistic
Statistic
Variance
Deviation
Minimum
N Statistic
Maximum
Statistic
Statistic
Sum Statistic
Std Error
Std Error
X_GREEN 64 45.1306 .7104 45.8410 1508.2116 23.5658 1.4301 11.4409 130.894 -.260 .299 -.799 .590
X_NDVI 64 104.0341 79.4477 183.4819 9828.9328 153.5770 2.2058 17.6471 311.419 -1.415 .299 3.851 .590
X_ELEV 64 1088.2251 27.2147 1115.4399 28858.6742 450.9167 33.2005 265.6041 70545.551 .733 .299 .117 .590
X_SLOPE 64 21.5093 .3966 21.9060 463.7524 7.2461 .4793 3.8348 14.706 1.668 .299 3.671 .590
X_ASPECT 64 207.2574 27.2525 234.5099 10708.3906 167.3186 5.8773 47.0184 2210.738 -.808 .299 .173 .590
X_STREAM 64 3168.1780 375.3519 3543.5300 52728.4107 823.8814 68.4822 547.8579 300148.258 2.936 .299 10.362 .590
X_ROAD 64 5413.6168 613.4530 6027.0698 117647.6013 1838.2437 152.5007 1220.0058 1488414.115 1.662 .299 2.265 .590
X_TOWN 64 12356.3996 1337.1999 13693.5996 386281.5106 6035.6486 433.1876 3465.5011 12009698.481 .673 .299 -.609 .590
Valid N
64
(listwise)

el error estándar es 0.76, lo que significa que no hay diferencia estadística entre
la media observada y la teórica.
La desviación estándar σ (también llamada sigma cuando la población total
se usa) representa una medida de dispersión donde es posible conocer el grado de
propagación o variabilidad de la media, y entre los valores. Alternativamente, se
pueden conocer qué tan fuerte están agrupados los valores. En este caso, la des-
viación estándar calculada fue de 6.10. Utilizando la media (2.31) y la desviación
estándar (6.10) se obtiene el valor total de la dispersión de los valores sumando o
restando la desviación estándar de la media por lo que la mayoría de los valores
se encuentran dispersos entre -3.79 y 8.41. La varianza que es el cuadrado de la
desviación estándar (σ2), también indica el valor de la desviación que en este caso
es de 37.266.
La asimetría (skewness) mide el grado de simetría de una distribución de
frecuencias mediante la determinación de la amplitud en que los valores se distri-
buyen a cada lado de la media, así que el valor del sesgo puede ser positivo (a la
izquierda de la media) o negativo (a la derecha de la media). En ambos casos (po-
sitivo o negativo) cuando los valores se acercan a cero se puede decir que la dis-
tribución es casi simétrica o ligeramente asimétrica. En general, un valor de asi-
metría mayor a uno indica una distribución que difiere significativamente de una
distribución normal. Dado que muchas pruebas estadísticas asumen que los da-
tos se distribuyen normalmente, este valor es útil para comprobar si es cierto o
no. En este caso, la asimetría se sitúa en 4.164, por tanto el conjunto de datos no
tiene una distribución normal.
La curtosis mide el grado de inclinación en una distribución de frecuencias
con respecto a la distribución normal mediante la determinación de la forma de
campana. La distribución puede ser leptocúrtica (pico), mesocúrtica (moderada)
o platicúrtica (redondeada). Para una distribución normal, el coeficiente de cur-
tosis es cero, mientras que cuando el coeficiente es mayor que cero la curva es
muy empinada en el centro o tiene colas relativamente largas y cuando el coefi-
ciente es menor que cero, la curva es plana con colas cortas. En este caso el valor
de la curtosis es de 20.149; lo que significa que la distribución es leptocúrtica
indicándonos que los datos se agrupan en su mayoría en dos clases impidiendo
una distribución normal.
En la naturaleza las especies no cumplen con patrones de distribución ho-
mogéneos por razones aleatorias dictadas por el tipo de paisaje en el que se en-
cuentren. El caso de estas aves de presa no es la excepción, ya que no hacen
un uso extensivo del terreno de manera uniforme aun cuando parece que éste
cumple con las descripciones de hábitat revisadas en la literatura. Desde que los
puntos de las observaciones son georreferenciados se puede inferir que no tienen

una distribución homogénea dentro del área en estudio y esto es corroborado con
las estadísticas obtenidas.
Coberturas: variables independientes
Las estadísticas expuestas en la Tabla 2 se describen siguiendo el mismo orden y

las mismas definiciones explicadas anteriormente, de modo que solo se represen-
tará la interpretación de los resultados.
Índice de verdor, X_GREEN

Para la variable verdor la media fue de 23.56 y la desviación estándar de 11.44.
Así pues, utilizando ambos resultados, se puede obtener la dispersión total de los
valores alrededor de la media que en este caso es de entre 12.12 y 35.00, y esta
amplia dispersión nos está diciendo que los valores están disgregados. La varian-
za fue 130.89. El error estándar de la media fue 1.4, lo que significa que no hay
gran diferencia entre la media observada y la teórica. La asimetría fue -0.260 y la
curtosis -0.799, esto quiere decir que la distribución de frecuencia es casi normal.
De acuerdo con estos números y la curva en forma de campana en la gráfica,
la vegetación en este índice tiene una distribución homogénea en toda el área
en estudio. Parece que las áreas abiertas y semi-abiertas, así como los parches
remanentes de bosque y áreas de cultivo están distribuidos casi de manera pro-
porcional. Si esta afirmación es cierta, entonces la distribución del género Buteo
puede estar cerca de la normal (aun con la presencia de clústers) debido a que el
uso del paisaje por estos animales puede ser igual en casi todas partes y no solo
en ciertas áreas.
Una explicación posible es el hecho de que los datos obtenidos del índice
de verdor Tasseled Cap fueron remuestreados del tamaño de píxel original al
tamaño de la celda al obtener la media, lo cual pudo haber creado patrones de
distribución de vegetación homogéneos y por este motivo no presenta una apa-
rente relación espacial con nuestros puntos de observación.
Índice de vegetación normalizado, X_NDVI

Para la variable NDVI la media calculada fue de 153.57 y la desviación estándar
de 17.64. Así pues, utilizando ambos resultados, se obtiene la dispersión total de
los valores alrededor de la media que en este caso está entre 135.57 y 171.21, y
esta estrecha dispersión nos dice que los valores están concentrados. La varianza
se localiza en 311.41. El error estándar de la media es de 2.2, lo que significa

que no hay gran diferencia entre la media observada y la teórica. La asimetría se
encuentra en -1.415 y la curtosis es de 3.851, lo que significa que la distribución
de frecuencias es alejada de la distribución normal, en otras palabras, la curva
tiene un sesgo negativo hacia la derecha mostrando una campana leptocúrtica
por encima de la normal.
Esta variable parece más realista que el índice de verdor Tasseled Cap. Aun-
que el NDVI y el Tasseled Cap provienen de la misma imagen de satélite, el proce-
so matemático es completamente diferente para cada índice. En este caso la vege-
tación muestra una acumulación en la parte media de los valores y cuatro grupos
independientes, diciéndonos que existen grupos bien definidos. Esta estadística
concuerda con una simple descripción del paisaje con temas muy definidos como
agua, bosque, pastizal y cultivos.
Aunque el mismo proceso de remuestreo del tamaño de píxel a celda se llevó
a cabo, cada elemento del paisaje tiene una mejor definición, siendo más con-
gruente con la descripción del área en estudio y con la literatura del género Buteo.
Elevación, X_ELEV
Para la variable de elevación la media calculada fue de 450.91 y la desviación es-
tándar en 265.60, así que utilizando ambos resultados se obtiene la dispersión to-
tal de los valores alrededor de la media, que en este caso está entre 185.31 y 707.51,
esta dispersión de valores es moderada. La varianza se localiza en 70545.55. El
error estándar de la media es 33.20, significando que existe una gran diferencia
entre la media observada y la teórica. La asimetría está en 0.733 y la curtosis en
0.117; lo que significa que la distribución de frecuencias es casi normal, en otras
palabras, la curva tiene un sesgo positivo hacia la izquierda, mostrando una cam-
pana moderada o mesocúrtica.
Como se sabe, el área en estudio es una cadena montañosa con altitudes
que van desde el nivel del mar hasta los 1 720 m. Esta distribución altitudinal
parece casi normal de acuerdo con las estadísticas, lo que significa que hay una
elevación parcialmente homogénea en toda la zona derivada del remuestreo del
modelo digital de elevación al tamaño de celda. Esta variable no es esencial en
la distribución del género Buteo ya que acostumbran vivir desde el nivel del mar
hasta los 1 800 m sobre éste de acuerdo con la literatura, pero tomando en cuenta
la falta de normalidad en la distribución de los puntos observados esta variable
podría ser una respuesta para la distribución que presentan por clúster.
Pendiente, X_SLOPE
Para la variable pendiente la media calculada fue 7.25 y la desviación estándar
3.83, utilizando ambos resultados se obtiene la dispersión total de los valores
alrededor de la media, que en este caso está entre 3.42 y 11.08, y se sabe que esta
dispersión de los valores es moderada. La varianza se localizó en 14.7. El error
estándar de la media está en 0.48, lo que significa que no hay diferencia entre la
media observada y la teórica. La asimetría está en -1.66 y la curtosis en 3.671; esto
significa que la distribución de la frecuencia no es normal, en otras palabras, la
curva tiene un ligero sesgo positivo a la izquierda mostrando un pico o campana
leptocúrtica por encima de la normal.
La distribución de la pendiente va del cero hasta cañones de paredes escarpa-
das. Siguiendo las estadísticas descriptivas, no existe una distribución homogénea
que represente la compleja orografía de la zona en estudio, lo cual se apega mucho
a la realidad. Esta variable no es particularmente importante para la distribución
del género Buteo porque el área que utilizan normalmente se encuentra en zonas
planas y/o con ligeras pendientes, siendo éstas abiertas o semi-abiertas pero una
vez más tomando en cuenta la anormal distribución de los puntos observados
esta variable estadísticamente nos podría dar una respuesta.
Orientación de laderas, X_ASPECT

Para la variable orientación la media calculada fue de 167.31 y la desviación es-
tándar de 47.02. Utilizando ambos resultados se obtiene la dispersión total de
los valores alrededor de la media, que en este caso está entre 120.28 y 214.31, lo
cual índica que la dispersión de los valores es moderada. La varianza se localiza
en 2210.73. El error estándar de la media es de 5.88, lo que significa que no
hay una gran diferencia entre la media observada y la teórica. La asimetría es de
-0.808 y la curtosis es 0.173; lo que quiere decir que la distribución de frecuencia
es casi normal; en otras palabras, la curva tiene un ligero sesgo negativo hacia la
derecha, mostrando una campana moderada, por encima de la normal.
De los datos auxiliares derivados del modelo digital de elevación, la orien-
tación de laderas puede ser la información más útil después del índice de vegeta-
ción normalizado. Mostrando una distribución casi normal, la orientación de las
laderas quizá tenga un papel importante en la actividad del género Buteo, como
la anidación. Usando el sol como una referencia, estas aves buscan prolongadas
exposiciones a la luz y al calor, ya que son animales diurnos, así como la búsqueda
de protección a los vientos predominantes.
Presencia de agua, X_STREAM

Para la variable de presencia de agua la media es de 823.9 y la desviación están-
dar de 547.86. Empleando ambos resultados, se obtiene la dispersión total de los
valores alrededor de la media que en este caso está entre 276.04 y 1371.76, que
es una dispersión concentrada. La varianza fue de 300148.25. El error estándar
de la media fue de 68.48, lo que significa que hay una gran diferencia entre la
media observada y la teórica. La asimetría fue 2.936 y la curtosis 10.362, lo que
quiere decir que la distribución de la frecuencia es alejada de la normal; en otras
palabras, la curva tiene un sesgo positivo hacia la izquierda mostrando un pico o
campana leptocúrtica por encima de la normal.
Esta variable representa a los ríos y cuerpos de agua. Revisando los resulta-
dos es fácil ver que la distribución no es normal. Aunque el agua es esencial para
cualquier forma de vida, el género Buteo no hace un amplio uso de ella. Prefieren
pastizales y tierras de cultivo después de las cosechas, de acuerdo con la literatura,
pero esto no implica que no necesiten de la presencia de ésta. Por el contrario,
las especies que el género Buteo caza y la vegetación que usa para sus nidos, entre
otras actividades, están íntimamente relacionados con el agua en esta región.
Localidades, X_TOWN
Para la variable de localidades la media fue calculada como 6035.6 y la desviación
estándar fue 3465.50. Utilizando ambos resultados, se obtiene la dispersión total
de los valores alrededor de la media que en este caso está entre 2570.1 y 9501.1,
y esta amplia dispersión nos dice que los valores están disgregados. La varianza
se localiza en 12009698.49. El error estándar de la media fue 433.19, significan-
do que existe una enorme diferencia entre la media observada y la teórica. La
asimetría fue 0.673 y la curtosis fue -0.609; esto significa que la distribución de
la frecuencia es casi normal. Aunque, la curva tiene un ligero sesgo positivo a la
izquierda, mostrando una campana moderada por debajo de normal.
La presencia humana es parte del paisaje en casi cualquier lugar y Los Tux-
tlas no es la excepción. Las actividades antropogénicas en el área en estudio apare-
cen como manchas de diferentes tamaños y están bien distribuidas. Los números
y la dispersión concuerdan con el mundo real mostrando una distribución casi
normal a través del área. Estas actividades suelen crear presión sobre el paisaje en
muchos aspectos como el uso de la madera, la caza o los vertederos. En este caso,
una distribución normal de la presencia de localidades no representa una buena
señal para el área, esto habla de una alteración a todo el medio natural, siendo
una consideración de peso para obligar al género Buteo a hacer un uso limitado
del paisaje aun cuando tienen conductas territoriales específicas.
Vías de comunicación, X_ROAD

Para la variable vías de comunicación la media fue calculada en 1 838.2 y la des-
viación estándar en 1 220.01, así que utilizando los dos resultados, se obtiene la
dispersión de los valores alrededor de la media, que en este caso está entre 618.19
y 305.21, y esta estrecha dispersión nos indica que los valores están concentrados.
La varianza se localiza en 1 488 414.11. El error estándar de la media fue 152.5,
significando que existe una enorme diferencia entre la media observada y la teó-
rica. La asimetría fue de 1.662 y la curtosis de 2.265; es decir, que la distribución
de la frecuencia no fue normal. En otras palabras, la curva tiene un ligero sesgo
positivo hacia la izquierda, mostrando una cima en la campana, por arriba de la
normal.
Esta variable representa los caminos cubiertos por asfalto y caminos rurales.
No importa qué forma describan los números o la densidad en el área, este tipo
de infraestructura siempre crea una fragmentación en el paisaje. A primera vista,
probablemente no es importante para las aves porque vuelan, pero en realidad la
contaminación generada por las carreteras per se, representa un alto riesgo. De
acuerdo con la revisión de la literatura, las aves son extremadamente sensibles a
los cambios en el hábitat producidos por las actividades antropogénicas y tienen
un papel importante como indicador ambiental.
En resumen, solo cuatro de las ocho variables explicativas tiene una distri-
bución normal (índice de verdor Tasseled Cap, elevación, orientación de laderas
y localidades), las otras cuatro variables, en general, muestran un sesgo positivo
con una curtosis en pico. De las ocho variables independientes, solo la pendiente
mostró cero en el error estándar de la media. El índice de verdor, el índice de
vegetación NDVI y la orientación de laderas mostraron un error estándar de la
media alto, mientras que las otras cuatro mostraron un error estándar muy alto.
La clasificación arbitraria utilizada en la desviación estándar de disgregado a
concentrado trata de explicar cómo los valores se encuentran dispersos alrededor
de la media usando el mínimo y máximo como parámetros para interpretar esta
clasificación.
El peso biológico de cada variable en la vida del género Buteo es más que una
simple descripción estadística la cual podría estar influenciada por el método de
cuadrantes empleado, la falta de observaciones de este género y/o el tamaño del
área en estudio. Hablando en términos espaciales, que es la interpretación que
finalmente se debe hacer, no siempre existe una relación directa con la distribu-
ción de algo en el espacio. Ese es un enfoque más bien teórico, y en el mundo real
los fenómenos no se presentan así. El querer forzar estadísticamente los datos no
es necesariamente una representación de éstos en un modelo, aun cuando éste
sea una abstracción de la realidad, como en este estudio, donde las aves rapaces
no se representan de forma homogénea. En este caso se debe a la representación
puntual de las aves, que en la realidad son polígonos, así como sus territorios o
áreas de influencia, y que esa representación podría ofrecer una mejor solución
en el espacio. En el caso de las variables independientes sucede algo similar, no
son píxeles únicos o un conjunto de ellos encasillados en una categoría estadís-
ticamente de forma perfecta en el espacio para facilitar un análisis, hablar de
análisis espacial con datos duros es algo incompleto ya que en ningún momento
se toman en cuenta las relaciones espaciales, en donde el dominio del espacio, de
la topología y de los eventos son considerados por lo que se dará continuidad a los
análisis siguiendo muy de cerca la literatura del género Buteo.
Correlación entre variables
La Tabla 3 muestra los coeficientes de correlación de Pearson, donde se asume que

los datos se aproximan a una distribución normal. El coeficiente de correlación
de Pearson es una medida de asociación lineal entre dos variables en las que los
valores de los coeficientes varían de 1 a -1, y el signo del coeficiente indica la di-
rección de la relación (positiva o negativa). El valor absoluto del coeficiente de la
correlación indica la fuerza; un valor absoluto alto indica una relación más fuerte
(cercano a 1 en cualquier dirección), mientras valores absolutos medio indican
una relación pobre, como por ejemplo 0.480. Siguiendo este razonamiento, los
coeficientes de correlación con bajos valores absolutos (tales como cero o -0.011)
indican relaciones débiles o nulas. Los coeficientes de correlación en la diagonal
principal siempre son 1.0, ya que cada variable tiene una relación positiva lineal
con ella misma.
El nivel de significación (o valor p) es la probabilidad de obtener resultados
tan extremos como el observado. Si el nivel de significación es muy pequeño (me-
nos de 0.05) la correlación es significativa y las dos variables son linealmente de-
pendientes. De manera alternativa, si el nivel de significación es relativamente alto
(por ejemplo, 0.50) la correlación no es significativa y las dos variables no son
linealmente dependientes.
El primer análisis de la matriz de correlación es la relación entre la variable
dependiente y las variables independientes o explicativas. En este caso, ningún
coeficiente de correlación de Pearson resultó mayor que 0.289, por lo tanto, todos
los valores oscilan entre relaciones pobres y débiles. De las ocho variables explica-
tivas, cinco tienen relaciones pobres o valores absolutos medios (índice de verdor,
Tabla 3. Coeficientes de Correlación de Pearson

Correlaciones N=64
X_STREAM
X_ASPECT
X_GREEN
X_TOWN
X_SLOPE
X_ROAD
X_NDVI
X_ELEV
B_PTS
Pearson
B_PTS
1.000 .239 .192 -.017 .100 -.222 .289 .046 .236

Correlation
Sig. (2-tailed) . .058 .130 .895 .433 .077 .020 .721 .060
Pearson
X_TOWN X_ROAD X_STREAM X_ASPECT X_SLOPE X_ELEV X_NDVI X_GREEN
.239 1.000 .907 .480 .549 -.041 .091 .469 .440

Correlation
Sig. (2-tailed) .058 . .000 .000 .000 .747 .474 .000 .000
Pearson
.192 .907 1.000 .446 .636 .141 -.251 .440 .476
Correlation
Sig. (2-tailed) .130 .000 . .000 .000 .267 .045 .000 .000
Pearson
-.017 .480 .446 1.000 .554 .212 .019 .600 .295
Correlation
Sig. (2-tailed) .895 .000 .000 . .000 .093 .879 .000 .018
Pearson
.100 .549 .636 .554 1.000 .080 -.160 .582 .609
Correlation
Sig. (2-tailed) .433 .000 .000 .000 . .530 .207 .000 .000
Pearson
-.222 -.041 .141 .212 .080 1.000 -.462 -.117 -.257
Correlation
Sig. (2-tailed) .077 .747 .267 .093 .530 . .000 .359 .040
Pearson
.289 .091 -.251 .019 -.160 -.462 1.000 -.011 -.132
Correlation
Sig. (2-tailed) .020 .474 .045 .879 .207 .000 . .930 .300
Pearson
.046 .469 .440 .600 .582 -.117 -.011 1.000 .568
Correlation
Sig. (2-tailed) .721 .000 .000 .000 .000 .359 .930 . .000
Pearson
.236 .440 .476 .295 .609 -.257 -.132 .568 1.000
Correlation
Sig. (2-tailed) .060 .000 .000 .018 .000 .040 .300 .000 .
* La correlación es significativa en el nivel 0.05 (2 colas).

** La correlación es significativa en el nivel 0.01 (2 colas).
índice de vegetación NDVI, orientación de laderas, localidades y presencia de

agua), las otras tres tienen relaciones débiles o valores absolutos bajos (elevación,
pendiente y vías de comunicación). En casi todos los casos la relación es positiva,
únicamente la orientación de laderas tiene una relación negativa.
El nivel de significación en este primer análisis muestra que solo una variable
explicativa (presencia de agua) tiene una relación lineal significativa con la va-
riable dependiente, las otras siete variables no la tienen. En este caso, la variable
agua muestra un nivel de significación de 0.020, indicando que los ríos, cuerpos
de agua y los puntos del género Buteo están significativamente correlacionados de
manera positiva; esto es, cuanto más aumenta la distancia al agua, más aumentan
los puntos de observación. Casi en la misma situación que la presencia de agua,
las variables explicativas índice de verdor Tasseled Cap, orientación de laderas y
localidades, con niveles de significación 0.058, 0.070 y 0.060, respectivamente,
muestran una relación lineal con los puntos del género Buteo, pero en estos casos,
los valores no son significativos. Las otras cuatro variables independientes mues-
tran niveles de significación que oscilan entre 0.130 (índice de vegetación NDVI)
a 0.895 (elevación) indicando que la relación con la variable dependiente no es
lineal dependiente.
El segundo análisis en la matriz de correlación es la relación entre variables
independientes. En este caso se tienen 28 diferentes coeficientes de correlación
de Pearson, donde solo un coeficiente muestra una relación lineal casi perfecta
(índice de verdor-índice de vegetación NDVI), 14 con relaciones pobres o valores
absolutos medios, y 13 con relaciones débiles o valores absolutos bajos, de las
cuales tres muestran relaciones casi nulas.
Analizando el coeficiente índice de verdor-índice de vegetación NDVI que
es cercano a uno (0.907), vemos que ambos conjuntos de datos contienen casi la
misma información. Esto se debe a que estas dos variables se refieren a un índice
de vegetación generado de la misma imagen de satélite, por lo que parece normal
encontrar valores similares en ambas variables.
Los 14 coeficientes que muestran relaciones pobres similares o valores ab-
solutos medios, se relacionan con el modelo digital de elevación (MDE) y con las
actividades antropogénicas en el área en estudio. Únicamente la orientación de
laderas, que es un dato secundario del MDE, no cae en la categoría de relaciones
pobres, sino en la de relaciones débiles o de bajos valores absolutos. Esta variable,
orientación de laderas, contiene información de forma radial (de 1 a 360 grados),
así que tal vez estos valores son algo confusos para ser interpretados por el sistema.
De los 13 coeficientes que muestran relaciones débiles, diez están relaciona-
dos con la orientación de laderas, presencia de agua, y algunas a la variable loca-
lidades. Tal vez la razón de está débil relación se debe a la forma en que los datos
se crearon; la orientación de laderas en forma radial, para los cuerpos de agua y
localidades el cálculo de la distancia lineal del rasgo hacia afuera. Extrañamente,
la variable vías de comunicación que es parte del paisaje antrópico no muestra
el mismo comportamiento que la presencia de agua y las localidades, aunque se
calculó de la misma manera (distancia lineal desde los rasgos). Tal vez el número
de rasgos involucrados en la generación de las distancias; el número de caminos
es menor al de las localidades o de la presencia de agua.
Los otros tres coeficientes que mostraron relaciones casi nulas en sus valores
fueron entre orientación de laderas-índice de verdor, presencia de agua-elevación
y presencia de agua-vías de comunicación. En estos tres casos, una variable per-
tenece al MDE o al conjunto de datos de localidades y vías de comunicación, y el
origen de estos valores puede influir en el coeficiente de Pearson.
El nivel de significación en este segundo análisis muestra que 18 de 28 coefi-
cientes tienen una relación lineal, lo que nos dice que cuando una variable au-
menta, la otra también lo hace. En otras palabras, están linealmente relacionadas.
A partir de estos 18 valores significativos, 16 tienen cero y las otras dos tienen
0.018, 0.040 y 0.045. Los diez coeficientes que no caen dentro del nivel de sig-
nificación muestran valores altos, que nos dice que tal vez la relación entre estas
variables no es lineal o que no hay tal relación. Las variables que mejor se ajustan
al nivel de significación son índice de vegetación NDVI y localidades, mientras las
variables que peor se ajustan son orientación de laderas y presencia de agua. Las
otras cuatro variables explicativas se ajustan al nivel de significación pero solo un
70% con respecto a las otras variables.
Como descripción general de la matriz de correlación, todas las variables
muestran una relación pobre con un excelente nivel de significación. Excluyendo
el coeficiente de Pearson de índice de verdor-índice de vegetación NDVI, el resto
de la tabla parece útil para el análisis estadístico, porque en términos generales,
esta matriz nos dice que la información contenida en cada variable es diferente
con respecto a las otras variables.
Regresiones múltiples
El análisis de regresión es una estimación de la relación lineal entre la variable de-

pendiente y una o más variables independientes. En este estudio varias regresio-
nes lineales múltiples fueron conducidas al mismo conjunto de datos con el fin de
llegar a un nivel de significación requerido, usando el valor t como un parámetro
para alcanzar un 95% de nivel de confianza. La primera regresión se realizó con

las ocho variables explicativas como se puede ver en la Tabla 4. Utilizando esta
tabla como punto de partida, el proceso de eliminación de las variables indepen-
dientes comienza con el valor t más bajo.
El proceso de eliminación de variables desde la primera regresión hasta la
última regresión fue en el siguiente orden:
1. Orientación de laderas.
2. Elevación.
3. Vías de comunicación.
4. Pendiente.
5. Localidades.
6. Índice de verdor Tasseled Cap.
Para llegar a la regresión final con 95% de nivel de confianza con las variables
índice de vegetación NDVI y presencia de agua, como se muestra en la Tabla 5.
Biológicamente hablando, las dos variables resultantes son esenciales para la
vida, no hay vegetación sin agua, y viceversa, además, la presencia o ausencia de
Tabla 4. Primera regresión

Coeficientes
Unstandardized Standardized
Model B Coefficients Coefficients t Sig.
Std. Error Beta
1 (Constant) -49.933 21.638 -2.308 .025
X_GREEN -.398 .248 -.746 -1.605 .114
X_NDVI .365 .170 1.056 2.146 .036
X_ELEV -2.131E-03 .004 -.093 -.541 .591
X_SLOPE -.223 .304 -.140 -.733 .467
X_ASPECT -8.499E-04 .020 -.007 -.042 .967
X_STREAM 7.124E-03 .002 .639 3.135 .003
X_ROAD -5.300E-04 .001 -.106 -.610 .545
X_TOWN 5.593E-04 .000 .317 1.827 .073
a Variable dependiente: B_PTS
Tabla 5. Regresión final
Coeficientes
Std. Error Beta
(Constant) -15.972 6.850 -2.332 .023
1 X_NDVI 9.753E-02 .042 .282 2.323 .024
X_STREAM 4.013E-03 .001 .360 2.968 .004

animales está determinado por esas dos variables. El género Buteo muestra una
fuerte relación con el índice de vegetación NDVI, siendo éste previsible ya que las
estadísticas descriptivas muestran una buena descripción del paisaje, además de
la explicación en la revisión bibliográfica. La segunda variable se presenta como
una gran sorpresa, con una mejor significación que la vegetación; los números
mostrados por las estadísticas descriptivas y el histograma no revelaron el valor
real de la presencia de agua para este género.
De acuerdo con la revisión de la literatura del género Buteo, el uso de la ve-
getación es extremadamente importante, más específicamente los bordes del bos-
que. El resultado obtenido de la regresión con el 95% de confianza, corrobora la
historia de vida de estos animales. Una posible explicación para entender la pre-
sencia de agua dentro del 95% de confianza puede ser el gran lago en medio del
área en estudio y la metodología de cuadrantes usada que hace que ésta resultara
una buena variable para explicar los puntos del género Buteo. Como se mencionó
antes, para obtener los cuadrantes se promedió un cierto número de píxeles, en
esta etapa de “cambio de tamaño” el elemento agua se incorporó a aquellas celdas
donde solamente una pequeña proporción estaba dentro de la celda, dando la
impresión de que el elemento agua es más grande que el real.
El mismo procedimiento fue utilizado en un nuevo conjunto de regresiones
con el fin de excluir la variable índice de verdor, debido a las semejanzas descritas
en el análisis de correlación entre estas dos variables, y teniendo en cuenta que la
variable índice de vegetación NDVI surge de la primera serie de regresiones.
En esta segunda ronda de regresiones, siete variables explicativas se utiliza-
ron como punto de partida (Tabla 6) y se inició el proceso de eliminación.
Esta vez el proceso de eliminación fue:
Tabla 6. Primera regresión del segundo set

Coeficientes
Std. Error Beta
1 (Constant) -17.966 8.586 -2.092 .041
X_NDVI .106 .055 .307 1.930 .059
X_ELEV -3.205E-03 .004 -.139 -.814 .419
X_SLOPE -9.678E-02 .298 -.061 -.324 .747
X_ASPECT 2.403E-03 .021 .019 .117 .908
X_STREAM 4.529E-03 .002 .406 2.796 .007
X_ROAD -6.818E-04 .001 -.136 -.778 .440
X_TOWN 5.350E-04 .000 .304 1.726 .090
1. Orientación de laderas.
2. Pendiente.
3. Vías de comunicación.
4. Localidades.
5. Elevación.
Los resultados en la regresión final al 95% de nivel de confianza son las varia-
bles índice de vegetación NDVI y presencia de agua que se muestran en la Tabla 7.
Tabla 7. Regresión final del segundo set

Coeficientes
Std. Error Beta
1 (Constant) -15.972 6.850 -2.332 .023
X_NDVI 9.753E-02 .042 .282 2.323 .024
X_STREAM 4.013E-03 .001 .360 2.968 .004
Como se puede ver, las regresiones finales con y sin índice de verdor tienen el
mejor nivel de significación conteniendo las mismas variables explicativas.
El hecho de que las mismas variables con los mismos niveles de confianza
se obtuvieran en los dos conjuntos de regresiones indica que el índice de verdor
no explica la presencia del género Buteo en el área en estudio. Como se mencio-
nó anteriormente, las estadísticas descriptivas de la variable índice de verdor no
muestran una representación del mundo real.
Ambos conjuntos de regresiones, con y sin índice de verdor, resultan con
dos variables en ambos casos, índice de vegetación NDVI y presencia de agua, que
son las variables que mejor explican las observaciones del género Buteo. Aunque
el proceso de eliminación se realizó en orden diferente en cada regresión, la vege-
tación y las fuentes de agua aclaran la relación entre estos animales y el paisaje,
lo cual se intentará comprobar utilizando dummies en un nuevo conjunto de
regresiones.
Interpretación estadística
El coeficiente de determinación (R 2) es una medida de bondad para ajustar un
modelo lineal, también llamada R cuadrada. Es la proporción de la variación de
la variable dependiente explicada por el modelo de regresión, que oscila en su
valor, de 0 a 1. Los valores pequeños indican que el modelo no se ajusta bien a los
datos. En esta caso, la R 2 es 0.158 (Tabla 8), que indica que el 15.8% de la varia-
ción de la variable dependiente en el modelo puede ser explicada por las variables
independientes. La variación en la variable dependiente que no se puede explicar
por las variables independientes se conoce como la suma de cuadrados residual
(Tabla 9), que en este caso es de 1 976.325.
La R cuadrada ajustada intenta corregir R 2 para reflejar mejor la bondad de
ajuste del modelo. Es este caso la R cuadrada ajustada es 0.131, que solo explica
el 13.1% de la variación.
Tabla 8. Coeficiente de determinación
Resumen del modelo
Model l R R Square Adjusted R Square Std. Error of the Estimate

1 .398 .158 .131 5.69
a Predictores: (constante), X_STREAM, X_NDVI.

b Variable dependiente: B_PTS.
Tabla 9. Análisis de Varianza ANOVA

ANOVA
Model Sum of Squares df Mean Square F Sig.

1 Regression 371.425 2 185.712 5.732 .005
Residual 1976.325 61 32.399
Total 2347.750 63
a Predictores: (constante), X_STREAM, X_NDVI.

b Variable dependiente: B_PTS.
En general, el propósito del análisis de varianza (ANOVA) se basa en F, que

mide si un conjunto de variables contribuye significativamente a la varianza de
una respuesta. La Tabla 9 de ANOVA crea un análisis estándar de varianza. Si
el nivel de significación de la estadística F es menor a 0.05, entonces las varia-
bles independientes hacen un buen trabajo explicando la variación de la variable
dependiente, pero si esta significación es mayor a 0.05, entonces las variables
independientes no explican la variación de la variable dependiente. Por tanto se
concluye en este conjunto de regresiones que nuestras variables independientes le
dan una explicación a la variable dependiente de manera aceptable, con un valor
de 0.005.
Dummies
De acuerdo con la literatura, el género Buteo utiliza los bordes del bosque donde
los espacios abiertos comienzan. Estas aves rapaces usan las ramas superiores
de los árboles para anidar cerca de los bordes de los bosques y es en los campos de
cultivo y pastizales donde cazan y se alimentan. Con el fin de probar el modelo
de regresión y siguiendo la literatura, se creó un conjunto de dummies utilizando
el histograma del índice de vegetación NDVI (Figura 6). Para establecer los límites
entre los bosques y los espacios abiertos se crearon dos dummies binarios diferen-
tes, el primero denominado a, se generó utilizando el bosque/límites de espacios
abiertos con el código binario 1 y el resto de los valores del histograma con el
código 0. El segundo dummy, llamado b, se generó al contrario, bosque/límites
de espacios abiertos con el código binario 0 y el resto de los valores del histogra-
ma con el código 1. Los límites del bosque/espacios abiertos se establecieron con
los valores de píxel 156 al 172. Haciendo uso de esta regla de decisión, todos los
puntos de observación que caen en el rango de los bordes para el dummy a tienen
80000 Figura 6. Valores para gene-

rar los dummies.
60000
VALUE COUNT
40000
20000
0
60 76 92 108 124 140 156 172 188 204
68 84 100 116 132 148 164 180 196
VALUE
1 y todos aquellos puntos de observación que caen fuera del rango tienen 0. Por
el contrario, para el dummy b, aquellas observaciones que caen dentro del rango
tienen 0 y las que caen fuera tienen 1.
Una vez que se crearon los dummies, se usaron cuatro regresiones con el fin
de probar el modelo. Estos dummies se multiplicaron por la variable del NDVI en
cada regresión. La primera y segunda regresiones se probaron usando el dummy
a, donde la variable verdor está presente en el primer modelo y ausente en el
segundo. De la misma manera, pero utilizando el dummy b, la tercera y cuarta
regresiones se probaron usando la ausencia/presencia del verdor, respectivamente.
Como se describió en la metodología de la regresión lineal, las variables se elimi-
naron una a una usando el valor-t hasta que el nivel de significación alcanzó el
95% de confianza.
Dummy a
Después de seguir la metodología descrita anteriormente, ambos modelos, con y
sin verdor, las regresiones lineales resultaron con solo dos variables explicativas,
cuerpos de agua y asentamientos. Cada variable fue eliminada una por una en
diferente orden en cada modelo, pero obteniendo los mismos resultados que se
muestran en la Tabla 10.
Dummy b
Una vez más, siguiendo la misma metodología, se encontró que las pruebas donde
se utilizó el dummy b eran idénticas. En ambos casos, las variables independien-
Tabla 10. Regresión con dummy a
Coeficientes
Std. Error Beta
1 (Constant) -3.649 1.905 -1.916 .060
X_STREAM 3.634E-03 .001 .326 2.755 .008
X_TOWN 4.917E-04 .000 .279 2.359 .022
tes se eliminaron una por una hasta llegar al 95% de nivel de confianza en los
valores de significación, como en el dummy a. Ambos resultados de los dummies
de regresión, con y sin verdor, resultaron con cuerpos de agua y asentamientos
como las variables que explican las observaciones dependientes.
Acorde a los resultados de las regresiones hechas incorporando los dum-
mies antes descritos, la vegetación representada por la cobertura del índice de ve-
getación NDVI no resulta ser significativa de acuerdo con el 95% de nivel de
confianza con el que se corrió el modelo. Una explicación estadística puede ser la
fragilidad del modelo en cuanto a la metodología en la preparación de las varia-
bles independientes ya que el origen de la información y el procedimiento en el
cálculo de las distancias a los rasgos en cada tema pudo no haber sido el adecuado
para todas las variables. Es probable que como la vegetación fue obtenida de ma-
nera directa de la imagen del satélite mediante el cálculo de un índice, mientras
que las coberturas utilizadas de agua y localidades eran de origen vectorial a las
cuales se les hizo un proceso de generar áreas de influencia para obtener las dis-
tancias y se procedió a rasterizar, y aunado al proceso de remuestreo para obtener
los valores de las celdas, el procesamiento de los datos durante la regresión no
mostró coherencia. Desde el punto de vista biológico, para las especies del género
Buteo la vegetación es la base de su hábitat pero no necesariamente le dan el uso
que la literatura describe, este argumento aparentemente incoherente puede estar
bien representado en nuestro modelo con el uso de puntos en el espacio, es decir,
las aves no son estáticas, hacen un uso del paisaje bastante extenso y no se pueden
representar de forma puntual, se debió analizar un área de influencia para cada
uno de los puntos de observación, para transformar de punto a polígono y enton-
ces utilizar estas áreas para someterlas al mismo procesamiento de remuestreo en

vez de haber mantenido a esta variable dependiente como frecuencia de puntos.
Conclusiones finales
En este proyecto varias regresiones múltiples se emplearon para seleccionar el

conjunto óptimo de variables explicativas, es decir, el número máximo para ex-
plicar tanto la distribución de las aves observadas como sea posible. El enfoque
inicial era a través de regresiones múltiples (sin dummies) como estimador de la
relación lineal entre la variable dependiente y las variables independientes, pero
con el fin de “probar” los resultados de las regresiones se creó un dummy de datos
usando la vegetación y siguiendo el énfasis de ésta en la literatura para demostrar
su importancia, resultado que no se obtuvo por la metodología empleada.
Los resultados de las diferentes regresiones múltiples sugieren que la vege-
tación y el agua son críticos para la distribución de Buteo. En el mundo real
ambas variables explicativas, vegetación y agua, son elementos básicos para la
supervivencia. Los resultados del análisis de regresión tienen sentido debido a
que diferentes tipos de vegetación son utilizados por esta ave rapaz para anidar
y cazar, y las fuentes de agua son esenciales para cualquier organismo vivo. De
acuerdo con la literatura, la vegetación es el principal factor en la distribución
de las aves. Éstas dependen de los diferentes tipos de vegetación, utilizándola de
varias formas. Por lo tanto, el dummy fue generado usando bosque y pastizales.
Los resultados de las diferentes regresiones usando los dummies de vegeta-
ción, sugieren que los ríos y los asentamientos son estadísticamente importantes
para la distribución del género Buteo en este modelo. Dando por buenos estos
resultados, la interpretación que se tendría es que estas aves le dan un uso bas-
tante extenso a las áreas urbanas, aprovechando los recursos que estos lugares les
brindan como alimento, refugio y anidación. En este caso, los asentamientos re-
presentan las actividades antropogénicas en el área en estudio. Una posible expli-
cación para esta variable independiente puede ser la presencia de alimento como
pequeños roedores que son fáciles de encontrar en mercados abiertos y tiraderos
de basura. Otra posible explicación es el hecho de que las aves rapaces usan las
esquinas de los techos altos, tales como iglesias, para refugiarse de las inclemen-
cias del clima, y postes altos de energía eléctrica o similares para anidar durante
la temporada de reproducción. Esta explicación también obedece a las presiones a
las que el ser humano ha sometido al medio ambiente como deforestación, el uso
indiscriminado de pesticidas en las áreas de cultivo, lo cual obliga a estas aves a

adaptarse a entornos urbanos
Los patrones de vegetación derivados de la percepción remota se pueden
combinar con información del modelo digital del terreno para modelar la distri-
bución de Buteo. Las relaciones entre estos animales y el paisaje pueden ser enga-
ñosas y difíciles de interpretar estadísticamente. Aunque la estructura de los mo-
delos de regresión de distribución de las aves fue probada con dummies donde solo
el agua fue constante, quedan muchas preguntas. En particular, se necesita tener
en cuenta la sensibilidad de los modelos a las características de los datos usados
en este proyecto, y tal vez la relación entre las aves rapaces y el paisaje no es lineal.
La aplicación de análisis de regresión a la evaluación de la distribución de
los hábitats ofrece una técnica analítica rápida. Esta técnica proporciona los fun-
damentos para comprender los conjuntos de datos y proponer un futuro análisis
con el fin de completar una visión global de la investigación en cuestión, posible-
mente proponiendo modelos no lineales o de evaluación multicriteria. Aunque
los datos derivados del análisis de regresión pueden no coincidir a clasificaciones
existentes de hábitats o información ecológica, la explicación derivada de la in-
terpretación puede ser usada para crear nuevas metodologías y aplicaciones en
las que se incorpore con mayor peso el efecto de la distribución espacial y sus
relaciones en la modelación y predicción de variables. Estos nuevos enfoques se
pueden incorporar del trabajo de campo a la explicación final.
Capítulo 6. Aplicación del software FROG_V2
en el análisis fractal del espacio geográfico
Introducción
Este capítulo enfatiza la aplicación de novedosas herramientas que se integraron

en el software FROG (Fractal Researches On Geosciences, Parrot, 2009b, 2012).
Dicho software en su primera y segunda versión más reciente (FROG_V2), fue
diseñado para estimar la dimensión fractal en sus diversos aspectos. En el cuadro
de estudios realizados entre 2000 y 2010 para el laboratorio LAFSINA del departa-
mento de edafología del Instituto de Geología de la UNAM (Miranda et al., 2006;
Oleschko et al., 2004; Oleschko et al., 2008; Torres et al., 2010; Vásquez et al.,
2010), se desarrollaron numerosos módulos ejecutables en el ambiente MsDos con
el fin de responder a la problemática de esta entidad.
Con la experiencia de observar y explicar a los usuarios cómo se utilizaba
cada uno de estos módulos, además del tiempo requerido para obtener los resul-
tados, era más interesante, amigable y rápido para los usuarios disponer de un
software en el ambiente Windows, en el cual se pudieran encontrar diferentes
acercamientos para estimar la medida de la dimensión fractal en las imágenes bi-
narias o en tonos de gris. Por tal motivo se realizó la primera versión del software
(FROG_V1)7 y que se puede bajar de manera libre desde el sitio web del Instituto
de Geografía de la UNAM. Posteriormente, los usuarios hicieron varias observa-
ciones, peticiones y sugerencias, lo que condujo a desarrollar la segunda versión
del software FROG_V2, el cual no solamente propone medir la dimensión fractal a
partir de un conjunto de píxeles (imágenes binarias o en tonos de gris) como en la
primera versión, sino además permite caracterizar estos conjuntos utilizando los
métodos de Reconocimiento de Patrones y la Morfología Matemática.
7 Registrada en 2009 en el Instituto Nacional de Derecho de Autor (INDAUTOR).

152 . Jean-François Parrot
Se da un ejemplo sobre los diferentes acercamientos que propone el software

FROG_V2 para caracterizar un espacio geográfico tomando en cuenta sus di-
mensiones espaciales, la evolución de su forma en el tiempo, su textura y estruc-
tura. Se presentan diversos aspectos; algunos se refieren a aspectos teóricos sobre
la dimensión fractal, el Reconocimiento de Patrones y la Morfología Matemática;
otros se enfocan en la problemática de la extracción de las estructuras, en este
caso estructuras urbanas, extraídas de las imágenes de satélite. Por último, se
muestran varios tipos de tratamientos tomando en cuenta las diversas funciones
del software.
Antecedentes teóricos
La dimensión fractal y sus medidas

Los conceptos fundamentales de la “geometría fractal” (Mandelbrot, 1983) ofre-
cen una solución intermedia entre el orden geométrico de Euclides y la geometría
del caos; así se puede describir la rugosidad de los fenómenos naturales y medir
de manera cuantitativa los patrones fragmentados e irregulares que existen en el
Universo (Anderson et al., 1996; Mandelbrot, 1983; Mandelbrot, 2002).
El rasgo más distintivo de los “fractales” es que a pesar de las irregularida-
des estadísticas que muestra ordinariamente una forma, se presenta un patrón
regular. Dichas formas son generalmente invariantes a cambio de escala, es de-
cir, que el grado de sus irregularidades o de su fragmentación es idéntico en
todas las escalas de observación. El concepto central de la geometría fractal es la
“dimensión fractal” (Falconer, 1995; Mandelbrot, 1983). Los “fractales” pueden
encontrarse en cualquier espacio euclidiano uni, bi, tri o ndimensional, pero en
relación con su rugosidad no pueden llenar todo el espacio en el cual se localizan.
De tal manera que la dimensión fractal corresponde a un valor fraccionario y es
un parámetro cuantitativo que describe el grado de ocupación del espacio por el
conjunto fractal estudiado (Addison, 1997; Pentland, 1984).
En 1998 Anderson et al. propusieron una definición sencilla del objeto frac-
tal auto-similar, mostrando que los aumentos de una imagen corresponden a
copias (exactas o estadísticas) a diversas escalas del objeto. Así, un objeto fractal
posee una simetría de dilatación a través de las escalas: cada pequeña parte del
objeto es una réplica del todo.
La construcción de un objeto fractal se obtiene por repetición de un motivo
en el espacio bi o tri-dimensional. Es un objeto geométrico con invarianza de es-
cala, es decir, que cada porción puede ser considerada como una imagen a escala
Aplicación del software FROG_V2 en el análisis fractal del espacio geográfico . 153
reducida del completo (Figura 1). Por ejemplo en el espacio urbano se puede re-
gistrar la repetición de un mismo motivo. Este motivo depende y traduce el nivel
tecnológico y/o cultural de una civilización dada (véase por ejemplo Teotihuacan;
Oleschko et al., 2000).
La repetición del motivo puede ser isotrópica o anisotrópica. Cuando un
objeto se escala de forma isotrópica se nota que existe una misma proporción en
dos direcciones perpendiculares entre sí. Se dice que se trata de un fractal estadís-
ticamente auto-similar. Por ejemplo, para una curva en un plano de coordenadas
x,y la invarianza de escala se obtiene cuando se reduce o aumenta la escala por un
mismo factor en ambas direcciones.
x → γx y y → γx
La dimensión fractal D es una cantidad estadística que indica como un ob-

jeto fractal auto-similar ocupa una porción del espacio euclidiano, corresponde
a valores decimales entre 0 y 3 (1 para la línea, 2 para una superficie y 3 para un
volumen) y no puede ser igual a 1, 2 o 3.
Uno de los métodos que permite calcular esta dimensión es el conteo de cajas
(Box Counting), que consiste en cubrir el objeto con cajas (cuadradas para dos
dimensiones) de longitud L.
Figura 1. Objeto fractal y su

generador.
Repeticiones
a diferente escala
y dirección
Generador
log(N(L))
D = lim
L→0 log(L)
donde N(L) es el número necesario de cajas para cubrir el objeto. D corres-

ponde al inverso de la pendiente de la línea recta ajustada a la gráfica log(N(L) vs
log(L), (Figura 2).
Los objetos fractales que se escalan en forma anisotrópica se llaman auto-
afines y su invarianza de escala utiliza un factor diferente en dos direcciones
perpendiculares entre sí. En este caso, en un plano x,y la invarianza de escala se
aumenta o se reduce de acuerdo con:
x → γx y y → γξ y
donde ξ≠1 es el exponente de Hurst (1951), igualmente conocido como “ex-

ponente de Rugosidad”. Este exponente se utiliza como una medida de la me-
moria a largo plazo de series de tiempo. Una serie de tiempo corresponde a un
conjunto de observaciones ordenadas en el tiempo. Por ejemplo, evolución de la
pluviometría, frecuencia de los sismos, distribución de los tonos de gris en una
imagen de 8 bits.
Una de las técnicas más confiables para analizar dichos diagramas de fre-
cuencia es el método de ventanas de ancho variable. El diagrama analizado se
recorre con una ventana de tamaño r que se traslapa hasta barrerlo totalmente.
Para cada posición de la ventana, se calcula la desviación estándar de las fre-
cuencias a(r) del segmento del diagrama que cubre la ventana y se suma a los
anteriores. Así se obtiene el promedio de la desviación estándar para cada tamaño
de ventana.
1 np
h(r) = ∑ a(r)
np 1
1 N
donde la desviación estándar a(r) es igual a a(r) = √
N i=1
-2
∑ (xi - x) , y np es el
número de veces que la ventana de tamaño r se desliza. El mismo tratamiento se
repite para tamaños crecientes de la ventana.
El exponente de Hurst H o exponente de rugosidad ξ se obtiene a partir
del gráfico logh(r)/logr de acuerdo con la ecuación h(r) ≈ r ξ. En el plano log-log,
la ecuación anterior toma la forma de una recta log(h(r)) ≈ ξlog(r). Si la gráfica
L = 1 N(L) = 213 L = 2 N(L) = 76 L = 3 N(L) = 43
2.4
2.2
1.8
1.6
log N(L)
1.4
1.2
1
0 0.2 0.4 0.6 0.8 1
log L
L = 4 N(L) = 29 L = 6 N(L) = 15
D = 1.467 R2 = 0.999
Figura 2. Ejemplo de conteo de cajas.

logh(r)/logr es lineal, el diagrama tiene propiedades auto-afines y el exponente de

Hurst corresponde a la pendiente de la línea recta que se ajusta a dicha gráfica. El
exponente de Hurst no solamente mide la rugosidad del diagrama de frecuencia,
sino también el carácter persistente del desarrollo del motivo. Según la conjetura
de Mandelbrot (1983) existe una relación teórica D = 2-ξ entre el exponente de
Hurst y la dimensión fractal. El exponente de Hurst mide la rugosidad de un
conjunto auto-afín y tiene como límites topológicos los valores 0 y 1.
Un valor 0.5 del exponente corresponde a un ruido blanco, es decir, que la
serie de tiempo observada comprende datos estadísticamente independientes (sin
memoria) y corresponde a un conjunto aleatorio. Los valores más grandes que
0.5 indican una persistencia de procesos, lo que traduce una fuerte periodicidad.
En este caso la dimensión fractal se encuentra entre 1 y 1.5 en relación con una
baja complejidad de los datos. Si el exponente es más pequeño que 0.5, se observa
una anti-persistencia con memoria a largo plazo y el conjunto está altamente
complejo.
Para ilustrar el proceso véase la Figura 3, en donde se muestra un tratamien-
to sobre un objeto euclidiano (el cuadrado) y un objeto fractal (el copo de nieve
de Koch).
Las distancias entre el centro de gravedad cuyas coordenadas XC y YC son
1 Nbp 1 Nbp
iguales a XC = ∑ Xi y YC = ∑ Yi (donde Nbp es el número de
Nbp i=1 Nbp i=1
A B
Figura 3. Representación de los objetos euclidiano y fractal. A. Cuadrado. B. Copo de Nieve
o estrella de Koch.
píxeles del objeto y Xi Yi las coordenadas de los píxeles del objeto) y los píxeles
que describen el perímetro de los objetos ya mencionados se reportaron en un
diagrama de frecuencia (diagrama de Bode) lo que permite medir la rugosidad
del perímetro (Figura 4).
Como se puede esperar en el caso del cuadrado, el valor de x es casi igual
a 1; la diferencia proviene del tratamiento que elimina los píxeles de las cuatro
esquinas del cuadrado para obtener una curva de camino 8, es decir, una curva
formada por segmentos de 1 a n píxeles que solo se juntan por las esquinas. Lo
mismo ocurre con el copo de nieve en donde su Dimensión Fractal calculada es
de 1.23 contra un valor matemático de 1.25.
Parámetros de reconocimiento de patrones e índices de forma
El método de reconocimiento de patrones se inició para responder a los requisitos

de la Robótica. El problema consistía en reconocer un objeto dentro de un grupo
de objetos para elegirlo. Para la construcción de un sistema de reconocimiento
de patrones se necesita definir una fase inicial de aprendizaje, es decir, buscar los
mejores rasgos y elementos que permitan caracterizar un objeto. De esta manera
se define un modelo M (a, b, g … w) cuyos parámetros permiten elegir con
exactitud el objeto correspondiente al modelo. Es la etapa más importante del
proceso.
Existen diferentes técnicas de clasificación: la automatizada, por discrimina-
ción funcional y por métodos estadísticos y estructurales; en realidad la calidad
del resultado requiere a menudo una interfase entre dichos acercamientos. El
éxito de un proceso de reconocimiento de patrones depende de la definición y se-
250 200
190
230 180
170
210 160
150
190 140
130
170 120
110
150 100
1 84 167 250 333 416 499 582 665 748 831 914 997 1080 1163 1246 1329 1 201 401 601 801 1001 1201 1401 1601 1801 2001 2201 2401 2601
Cuadrado Copo de Nieve

x = 0.9575 R2 = 1 x = 0.7678 R2 = 0.9999 DF = 1.2322
Figura 4. Diagramas de Bode de la distancia entre el centro de gravedad y el perímetro.
lección de los parámetros que pueden ser simples o complejos (Parker, 1994). Los
parámetros simples se calculan en el espacio euclidiano, por ejemplo la superficie
o el perímetro y las relaciones entre ambos.
Los parámetros más complejos son las medidas que impliquen comparar la
forma en estudio con formas simples como son el cuadrado, el círculo o la zona
convexa más pequeña que encierre dicha forma. Generalmente se necesita calcu-
lar el centro de gravedad, la presencia o la ausencia de una simetría de revolución.
Se explican con más detalles estas definiciones en Parrot (2007).
No solo se pueden utilizar estos parámetros para elegir una forma, sino tam-
bién para clasificar un conjunto de diversas formas como lo hace el software
FROG_V2, el cual calcula un panel de parámetros que describen todas las formas
estudiadas:
a) La superficie SP que corresponde al número total de píxeles (npt) que se

encuentran en la forma estudiada.
b) Las coordenadas del centro de gravedad.
c) El número total de píxeles (npp) que pertenecen al perímetro (Pp).
d) La superficie Sr recalculada aplicando la fórmula de Pratt (1978) y se
expresa de la manera siguiente:
Sr = ∑nps + ∑npp/2, donde nps = npt – npp
También en función del valor en metros de la longitud del lado del píxel, es
decir la resolución de la imagen, se indica el valor de la superficie en kilómetros
cuadrados.
e) La longitud Pl del perímetro exterior (número de píxeles y longitud en

kilómetros).
f) Un índice de “redondez” que corresponde a la relación Pl/Sr.
g) Un índice de convexidad CI igual a la relación npt/npz donde npz es el
número total de píxeles que describen la zona convexa más pequeña que
encierra al conjunto de píxeles estudiado.
h) Otro índice de convexidad es RCI, relación npc/npp, la cual toma en
cuenta el número de píxeles del perímetro Pc de la zona convexa y el perí-
metro exterior Pp del tema estudiado; donde npc corresponde al número
de píxeles que describen el perímetro Pc.
i) El número de huecos NH.
j) El tamaño mínimo y el tamaño máximo de estos huecos, así como el

promedio del tamaño.
k) Un índice de porosidad IP que corresponde a la relación nph/(nph+npt);
donde nph es el número total de píxeles dentro de los huecos.
l) Un segundo índice de porosidad es IPC igual a nph/npz; npz se definió
anteriormente.
m) El índice de convexidad externa que se basa en la relación entre la super-
ficie nph+npt y la superficie npz de la zona convexa.
n) El índice de convexidad externa tomando en cuenta los perímetros exter-
nos.
Morfología matemática
La morfología matemática se desarrolló en 1964 en los laboratorios de la “Ecole

des Mines”, Paris. Su invención se justificó inicialmente para diversas aplicacio-
nes industriales en el ámbito de la exploración minera, pero actualmente los pro-
cesamientos morfológicos toman en cuenta el tratamiento de las imágenes, por
ejemplo aplicaciones como la segmentación, la detección de bordes, el análisis de
textura, etc. Las obras de Matheron (1967, 1975) y Serra (1982, 1988) definen los
conceptos básicos de esta disciplina.
La dilatación y la erosión son los operadores básicos de la morfología mate-
mática. Prácticamente todos los otros pueden definirse basándose sobre éstos, a
partir de composiciones de funciones y operaciones sobre los conjuntos.
Sin entrar en detalles, por lo menos se necesita definir las principales y prime-
ras nociones que conciernen a la teoría de los conjuntos. Considerando diversos
conjuntos (X, Y, Z…) y los elementos (p, q, r, s….) que dichos conjuntos contienen:
a) Dos conjuntos son iguales cuando están formados por los mismos ele-
mentos
X = Y ⇔ (p∈X ⇒ p∈Y y p∈Y ⇒ p∈X ).
La igualdad es reflexiva, simétrica y transitiva. Un conjunto vacío se nota Ø.
b) X es un subconjunto de Y si todos los elementos de X pertenecen a Y
X ⊆ Y ⇔ (p∈X ⇒ p∈Y ).
La inclusión es reflexiva, antisimétrica y transitiva.
c) La intersección de dos conjuntos X y Y corresponde al conjunto de los

elementos que pertenecen a ambos conjuntos:
X ∩ Y = (p | p∈X o p∈Y ).
La intersección es conmutativa, asociativa e idempotente. Esta última pro-

piedad significa que X ∩ X = X.
d) La unión de dos conjuntos se constituye por los elementos que pertene-

cen a uno o al otro.
X ∪ Y = (p | p∈X o p∈Y ).
Al igual que la intersección, la unión es conmutativa, asociativa e idempo-

tente.
e) Finalmente la diferencia entre conjuntos la componen los elementos que

pertenecen a X pero que no están incluidos en Y. Esta operación no es
conmutativa.
X \ Y = (p | p∈X o p∉Y ).
Los operadores básicos de la morfología matemática tales como la dilatación

y la erosión utilizan un “elemento estructural” que juega el papel de modelo es-
tructural y que se traslada sobre todas la partes de la imagen binaria considerada
como un conjunto. Las relaciones entre la imagen y el elemento estructural pue-
den ser del tipo “incluidas en el conjunto”, o “tocadas por el conjunto”.
Los elementos estructurales más clásicos son la cruz, constituida por el ori-
gen y los cuatro puntos cardinales más cercanos, y el cuadrado, constituido por el
origen y los ocho puntos más cercanos. Estos dos elementos estructurales corres-
ponden respectivamente a dos definiciones posibles de la vecindad o la conexión
de la imagen.
En el caso del tratamiento referente al software FROG_V2, se utiliza una
alternancia entre cruz y cuadrado para crear un motivo hexagonal que responde
mejor a una dilatación isotrópica.
La Figura 5A ilustra el resultado obtenido por dilatación (1 y 2 iteraciones) y

la Figura 5B por erosión (1 y 2 iteraciones). La dilatación morfológica no es rever-
sible en general. La operación que intenta hasta cierto punto producir el inverso
de la dilatación es la erosión morfológica.
El uso de estas dos operaciones genera dos operaciones complementarias:
el cierre y la abertura. Una dilatación combinada con una erosión utilizando el
mismo elemento estructural no produce una identidad, sino otros dos operadores
morfológicos.
La apertura que consiste en una erosión seguida por una dilatación puede
caracterizarse geométricamente como la unión de todos los operadores incluidos
en el conjunto de píxeles binarios. Así la forma del elemento estructural permite
elegir las estructuras que contiene el conjunto (Figura 5C) y el cierre corresponde
a una dilatación seguida por una erosión (Figura 5D).
El cierre y la apertura son operaciones crecientes e idempotentes,8 dos pro-
piedades que caracterizan los filtros morfológicos. El cierre es extensivo y la aper-
tura anti-extensiva. A pesar de modificar el contorno de los objetos, la apertura
y el cierre morfológicos constituyen herramientas útiles para filtrar una imagen.
Una propiedad interesante del cierre es que atenúa la rugosidad del contorno.
El software FROG_V2 y sus diversas funciones
FROG_V2 es un software que calcula la dimensión fractal de los objetos utilizan-

do diferentes tratamientos, a partir de imágenes con formatos raw o bmp. La va-
riedad de los tratamientos propuestos para medir la dimensión fractal, así como
los acercamientos complementarios que infieren y validan los diversos resultados,
deriva de la problemática y de los tipos de objetos a estudiar. De hecho, pueden
surgir conclusiones erróneas cuando se usa un solo tipo de tratamiento ya que la
validez de los resultados depende del nivel de congruencia entre la forma estudia-
da y el tipo de medida.
Una primera función del menú permite extraer un objeto de la imagen se-
gún sus valores en tono de gris para caracterizar su forma por medio de una fun-
ción lineal, conteo de cajas, movimiento browniano, etc. Esta extracción implica
la interpretación visual del tono de gris; la noción de rugosidad de los tonos de
gris (véase entre otros la función thresholding fractal) ayuda a definir los valores
8Adj. MAT. En un conjunto donde se ha definido una operación simbolizada por *, se dice
del elemento a que cumple a * a = a.
A. Dilatación B. Erosión
C. Abertura D. Cierre
Figura 5. Ejemplos de tratamientos de Morfología Matemática sobre la zona urbana de To-

luca en 1973 (imagen original Landsat MSS). Tema inicial en negro. A. Dilatación (rojo =
una iteración; verde = 2 iteraciones. B. Erosión (Amarillo = una iteración; Anaranjado = dos
iteraciones). C. Abertura (Amarillo = una iteración; Anaranjado = dos iteraciones) D. Cierre
(rojo = una iteración; verde = 2 iteraciones).
del umbral. Con la imagen binaria así obtenida, se puede hacer un etiquetado
separando los diversos elementos que componen eventualmente el objeto en es-
tudio, de tal manera que sea posible comparar los diferentes componentes conec-
tados. Una vez obtenida una imagen etiquetada, una serie de nuevas funciones
permiten manipular los elementos de dicha imagen, todo esto con el objetivo de
especificar y definir sus valores en tonos de gris, de agruparlos manualmente o
con la ayuda de la morfología matemática; así es posible caracterizar los rasgos de

un conjunto reconstituido por medio de la dimensión fractal aplicada a la super-
ficie del objeto o por medio de la distribución de sus tonos de gris.
Otros parámetros calculan directamente sobre la escala en tonos de gris:
la dimensión fractal local, la dimensión fractal radial, la rugosidad fractal, la
dimensión prismática, etc. Estas funciones consideran la escena entera o los ele-
mentos obtenidos utilizando la binarización o el etiquetado.
Por otra parte, es posible extraer las secuencias de tonos de gris de la escena
entera, explorar linealmente dichos tonos o usar los elementos binarios como
máscara. La secuencia obtenida de esta manera permite calcular varios paráme-
tros tales como el exponente de Hurst.
En la nueva versión del software se añadió un panel de tratamientos agrupa-
dos en un sub-menú que corresponde al estudio del espacio urbano (exploración
fractal del espacio, distancia al perímetro, entre otros). Finalmente, el software
crea un informe general en donde se reportan todas las operaciones efectuadas,
los valores de los parámetros obtenidos, así como el nombre de las imágenes y de
los diagramas registrados, es decir, de todos los resultados obtenidos. La nueva
versión del software es más amigable, ya que se integraron novedosas funciones
tales como: el registro de una paleta o la posibilidad de modificar directamente los
datos sobre la pantalla. Es decir que, en la versión presente, el software FROG_V2
representa una herramienta indispensable para estudiar la dimensión fractal en
sus diversos aspectos.
Extracción de los rasgos urbanos
Existen varios tratamientos que permiten extraer las zonas edificadas. Sin em-
bargo, solo se presentan aquí dos tipos de tratamiento. El primero consiste en
definir los valores de reflectancia de las zonas de entrenamiento (techos y terraza
de las casas y edificios) para cada banda de una imagen de satélite. En este caso el
programa multidim_class.exe (Parrot, 2005) define a partir de estos valores, cuá-
les son los conjuntos de píxeles que corresponden al tema seleccionado. Por otro
lado, Zha et al. (2003) propusieron utilizar índices de reflectancia tales como el
Normalized Difference Vegetation Index (NDVI) y el Normalized Difference Built-
up Index (NDBI) para extraer los edificios e inmuebles; se verá aquí como se puede
mejorar este acercamiento para responder mejor a esta problemática.
Umbral y clasificación
Se da un ejemplo. Con las zonas de entrenamiento definidas sobre una imagen

Landsat ETM+ de la ciudad de Toluca del 2000 y considerando los diversos tipos
de edificios que se presentan en esta zona urbana, se definen los valores de umbral
correspondientes al tema en estudio sobre tres bandas (3, 4 y 5). De esta manera
se obtienen en la zona central divisiones para cada banda. Los rangos de valores
del umbral son los siguientes: 115-140 (banda 3), 90-150 (banda 4) y 90-140
(banda 5).
Siguiendo la misma metodología se definen en segundo lugar los siguientes
rangos de valores del umbral complementarios, los cuales corresponden sobre
todo a los edificios comerciales e industriales: 200-255 (banda 3), 190-255 (ban-
da 4) y 200-255 (banda 5). Posteriormente se juntan ambas imágenes resultantes
con el programa superpos.exe (Parrot, 2004), para obtener un tema o grupo de
píxeles más completo de las zonas edificadas. Lo que hace el programa es tomar
el código inicial de cada imagen y unirlos en una única imagen asignándoles un
nuevo código (Figura 6).
De hecho, para obtener una imagen completa de todos los tipos de cons-
trucciones que componen una ciudad, se requeriría considerar toda la gama del
material de construcción de los techos y terrazas, así como la presencia o ausencia
Figura 6. Edificios de la zona urbana de Toluca en 2000.

y el tipo del material de impermeabilización, todo esto con el fin de interpretar

las distintas respuestas espectrales de la imagen de satélite, mismo que precisaría
de una exhaustiva validación en el terreno, para obtener una clasificación más
amplia y fiel cercana a la realidad.
Utilización del NDVI y del NDBI
El principio del algoritmo propuesto por Zha et al. (2003) y modificado por
Chunyang He y Dingyong Xie en 2008, quienes tomaron en cuenta la aproxima-
ción de la segmentación semi-automatizada llamada “Double-Window Flexible
Pace Search [DFPS]” propuesta por Chen et al. (2003), se basa sobre la interde-
pendencia que se supone existir entre el NDVI y el NDBI.
El NDVI [Normalized Difference Vegetation Index] corresponde a la relación:
TM4 - TM3
NDVI =
TM4 + TM3
Por otra parte, el NDBI [Normalized Difference Built-up Index] se basa sobre
una relación similar que toma en cuenta las bandas TM4 y TM5.
TM5 - TM4
NDBI =
TM5 + TM4
En ambos casos, los valores del NDVI y del NDBI están comprendidos entre
-1 y 1 (valores normalizados entre 0 y 255 en las imágenes en tonos de gris). El
algoritmo considera que para el NDVI la vegetación activa va de 0 a 1; por esta
razón las zonas edificadas corresponden a un valor del NDVI entre -1 y 0; por otro
lado, estas zonas corresponden para el NDBI a un valor entre 0 y 1. Sin embargo,
los resultados que se obtienen siguiendo escrupulosamente el algoritmo desarro-
llado por Chunyang He y Dingyong Xie (op. cit.) no corresponden totalmente a
las zonas edificadas. De hecho los autores plantean que cuando la vegetación se
hace más escasa el algoritmo extrae estos datos con dificultad.
En realidad se necesitan analizar los histogramas de las imágenes resultantes
de estos dos índices (Figura 7) para definir con precisión los valores que corres-
ponden a la ausencia de vegetación activa en el caso del NDVI y los valores que
cubren eventualmente la zona edificada en el caso del NDBI.
A. NDVI B. NDBI
Figura 7. Imágenes de los dos índices.

El análisis de los histogramas de la Figura 8 permite definir el umbral de

cada índice y proponer un tratamiento alternativo que mejora la respuesta espec-
tral. El programa multidimclass.exe (Parrot, 2005) hace una clasificación de los
píxeles en función del valor de los segmentos de cada imagen (Tabla 1 y 2).
Figura 8. Histogramas de
60000
los dos índices.
50000
40000
NDVI
30000
NDBI
20000
10000
0
1 19 37 55 73 91 109 127 145 163 181 199 217 235 253
Tabla I. Definición de los segmentos en cada banda
NDBI
3 segmentos 28-135 136-165 166-243
NDVI
3 segmentos 29-61 62-114 115-255
Tabla 2. Códigos de los diferentes cruces obtenidos
Códigos NDBI NDVI Número de píxeles

1 1 1 0
2 1 2 1066
3 1 3 30408
4 2 1 0
5 2 2 56734
6 2 3 133583
7 3 1 0
8 3 2 268424
9 3 3 389785
El código 5 de la Tabla 2 corresponde al cruce de los dos segmentos (2 – 2)

donde se ubican los píxeles que dibujan los edificios. El resultado se reporta en
la Figura 9.
Aplicación del software en la ciudad de Acapulco
En este apartado se da un ejemplo de cómo se aplica el procedimiento descrito

anteriormente a un espacio geográfico como la ciudad de Acapulco utilizando
imágenes de satélite Landsat ETM del 2002 de 30 m de resolución.
Extracción de la zona urbana

La imagen resultante de dicho tratamiento se presenta en la Figura 10, donde
el código 7 (en rojo sobre la imagen) corresponde al tema “edificios”, el cual se
reporta en una imagen binaria (Figura 11). El número de segmentos definidos en
las imágenes del NDVI y del NDBI de Acapulco es mayor que en el caso de Toluca,
Figura 9. Zona edificada obtenida con el proceso NDVI-NDBI supervisado.

Figura 10. Imagen proveniente del cruzamiento de los segmentos Figura 11. El código 7 de la imagen de la figura 10 corresponde
del NDVI y del NDBI. al tema “edificios”.
ya que se encuentran en estas imágenes valores que conciernen a los cuerpos de

agua.
El uso de un cierre morfológico sobre la imagen de la Figura 11 muestra
dónde se ubican los diferentes núcleos urbanos (Figura 12). De hecho, el código
7 corresponde no solo a los edificios sino también a una parte de la red vial cuyo
material tiene un valor de reflectancia similar al de algunos techos.
El etiquetado da la posibilidad de eliminar conjuntos de píxeles que contie-
nen menos de cien elementos, es decir, menos de 9 ha; 19 conjuntos de píxeles se
generan (Figura 13). En primer lugar se puede calcular la dimensión fractal de
cada uno de estos conjuntos a partir de un conteo de cajas.
Para hacer este cálculo es necesario que cada conjunto se estudie por separa-
do, es decir, se coloca en una sub-región rectangular la más pequeña posible que
encierre la forma de éste, con el fin de no minimizar el efecto de la invasión del
espacio por el conjunto. La función Resizing Box Counting del software hace todo
este tratamiento (Figura 14). El valor de la dimensión fractal DF traduce el nivel
de complejidad de cada unidad y la relación existente entre los espacios edificados
y los espacios verdes.
Por otro lado, para caracterizar cada conjunto de la imagen se utiliza el
tratamiento de Reconocimiento de Patrones, el cual nos da información sobre
la superficie, la longitud del perímetro, la presencia de huecos y diversos índices,
como son los índices de convexidad y de porosidad reportados en el diagrama
de la Figura 15. En el caso de Acapulco, los conjuntos son poco convexos y el
índice de porosidad es a veces alto. Por ejemplo, la zona más grande (zona central
número 4 en la Figura 19) cuyo perímetro y cuya superficie son respectivamente
iguales a 45 km y 23 km2, tiene un índice de porosidad de 24.71 y un índice de
convexidad de 32.54.
La noción de porosidad traduce la presencia de huecos en la estructura ur-
bana. Dichos huecos corresponden a espacios libres (carreteras, plazas o a veces
cuadras en construcción) y a zonas con vegetación. La repartición de todos los
elementos en el espacio urbano da información sobre el nivel de desarrollo de las
diversas estructuras urbanas. Por ejemplo, un barrio residencial conlleva gene-
ralmente zonas de vegetación importantes; por el contrario, un barrio industrial
registra una fuerte densidad de edificios industriales dispersos sobre suelos des-
nudos.
Análisis por fracciones de cobertura (el algoritmo BVS)

Con el objetivo de relacionar la distribución de los edificios, los espacios verdes
y los espacios libres con el dinamismo socio-económico de las diversas zonas que
Figura 12. Aplicación de un cierre sobre el tema “edificios”. Figura 13. Extracción de los conjuntos que contienen cien o más
de cien píxeles.
Figura 14. Valor de la di-

1.8
mensión fractal en las dife-
1.7 rentes zonas.
1.6
1.5
DF
1.4
1.3
1.2
1.1
1
0 5 10 15 20 25
Zonas
30 Figura 15. Diagrama índice

de porosidad versus índice de
25 convexidad.
20
Porosidad
15
10
0
0 10 20 30 40 50 60
Convexidad
componen una ciudad, se desarrolló (Parrot, 2009a) el programa BVS [Building-

Vegetation-Soils]. Este programa permite analizar en detalle la distribución de
los componentes del espacio urbano en diferentes niveles de observación (nivel
global, nivel de las zonas o de las cuadras).
Dentro de una ventana móvil de tamaño m x m, se calcula el porcentaje de
ocupación de cada componente encontrado en esta ventana. Para cada posición
de la ventana móvil, estos porcentajes se reportan en un diagrama triangular. El
valor de los diferentes puntos corresponde a una escala en tonos de gris que se re-
laciona con el número de veces que se encontró una misma posición. Cabe señalar
que la dinámica de una imagen de un byte (0.255) necesita normalizar la escala
original dentro de este espacio en función de la fórmula: Vtg = (Vi/Max_V )*255,
donde Vi es el valor original de la ocurrencia, Max_V el valor máximo de la ocu-

rrencia y Vtg al valor reportado en el diagrama triangular.
El programa BVS divide el triángulo en 16 sub-triángulos dando a cada uno
un color diferente (Figura 16). La definición de estos colores obedece a una atri-
bución lógica que divide los tres colores fundamentales (rojo, verde y azul) de
la siguiente manera. Para cada color se definieron cuatro niveles; de 1 a 24%,
valor 0; de 25 a 49%, valor 85; de 50 a 74%, valor 170; y finalmente para un
porcentaje igual o superior a 75%, valor 255. Los colores se mezclan en función
de la composición de los triángulos. Por ejemplo, si los porcentajes respectivos de
rojo, verde y azul son de 60, 30 y 10%, respectivamente, el color correspondiente
será de 170 para el rojo correspondiendo a los edificios, de 85 para el verde que
corresponde al porcentaje de áreas verdes y de 0 para el azul (suelos desnudos).
Esta gama de colores se puede guardar en una paleta con el fin de recuperar-
la y aplicar la misma paleta de color al documento final.
Como ejemplo, se estudiaron dos regiones A y B de la zona 4 (zona central
de la ciudad de Acapulco; Figura 19).
En la región A existen muchos espacios verdes y espacios libres a pesar de
la densidad de los edificios; así, como lo muestran la Figura 17A y la Figura
18, el centro de gravedad de la nube de puntos (puntos rojos y anaranjados) se
concentra alrededor de B75, V10 y S15, es decir, en los sub-triángulos 1 y 3, y
se observa la existencia de tres prolongaciones en dirección de los espacios verdes
Figura 16. Gama de color de

B
los 16 sub-triángulos de la
clasificación BVS.
25
1
75
3
50
2 4
50
6 8
75
5 7 9
25
11 13 15
10 12 14 16
V S
25 50 75
B B
25 25
75 75
50 50
50 50
75 75
25 25
V S V S
25 50 75 25 50 75
A B
Figura 17. Análisis de la repartición de los edificios, la vegetación y los suelos desnudos en dos
regiones de la zona 4. A. región norte; B. región suroeste.
y de los espacios libres. En la región B no hay tantos puntos correspondientes a

espacios verdes y los puntos siguen la línea BS del triángulo (Figura 17B) con
una concentración alrededor de B75, V0 y S25, es decir, en los sub-triángulos 1
y 4 (Figura 18).
También, se pueden extraer los diversos huecos que contiene eventualmente
un conjunto de píxeles para ver si éstos se agrupan en varias familias utilizando
los parámetros de reconocimiento de patrones.
La extracción del perímetro externo de cada zona permite calcular la distan-
cia entre el centro de gravedad y los píxeles que componen el perímetro, lo que
abre la posibilidad de medir la rugosidad del perímetro utilizando el exponente
70 Figura 18. Distribución de
los puntos en los 16 sub-
60
triángulos.
50
Porcentaje
40
Zona 14 Norte
Zona 14 Suroeste
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Códigos de los sub-triángulos

Figura 19. Extracción del

perímetro y llenado de las
zonas. Posición dentro de la
zona 4 de las dos regiones A
y B estudiadas con el progra-
A ma BVS.
7
B 4
12
de Hurst y definir un nuevo parámetro Ψ. Este nuevo parámetro es igual a:

Ψ = (Pm/(Pm + σ))×100, donde Pm corresponde al promedio de la distancia y s a
la desviación estándar. Los resultados se reportan en la Tabla 3.
El cálculo de la distancia entre los píxeles del perímetro y el centro de gra-
vedad se realiza a partir del píxel inferior izquierdo y la medida sigue todo el
contorno a partir de este primer píxel. Se obtiene un diagrama de Bode para
cada perímetro (véase el diagrama del perímetro de la zona 4 en la Figura 20). Se
calcula el valor del exponente de Hurst a partir de dichos diagramas (Figura 21).
Se nota que las zonas 4 y 7 tienen una rugosidad menor que la zona 12.
Existe una relación entre el parámetro Y y el exponente de Hurst; entre más
grande sea el valor del parámetro Y, menor será el valor del exponente de Hurst
(Figura 22).
Por otro lado, con el editor de pantalla del software FROG_V2 se pueden
rellenar las zonas delimitadas por sus perímetros exteriores ya extraídos; así, se
puede calcular la repartición de la densidad y homogeneidad de los edificios en
dichas zonas y la repartición de la dimensión fractal calculada dentro de una
ventana móvil.
Se requiere dar algunas explicaciones sobre el cálculo de la homogeneidad
y la densidad de los edificios dentro de una ventana móvil. Como lo muestra la
Figura 23, cuando el píxel central de una ventana móvil corresponde al tema en
estudio, la presencia de píxeles del mismo valor en la ventana permite calcular un
Tabla 3. Valores del parámetro Ψ y del promedio de la distancia en las zonas
Zonas Parámetro Ψ Promedio de la distancia

1 80.22 10.43
2 77.06 7.70
3 72.76 7.27
4 70.87 155.92
5 70.02 12.60
6 75.77 6.82
7 81.39 8.95
8 66.71 11.34
9 76.57 34.46
11 79.03 8.69
12 73.77 8.11
13 87.38 10.48
14 88.25 139.07
15 65.05 9.76
16 69.21 8.31
17 78.75 12.60
18 79.46 6.36
19 88.16 3.53
300 Figura 20. Diagrama de

Bode de la distancia entre
250 los píxeles del perímetro y
el centro de gravedad de la
200
zona 4.
Distancia
150
100
50
0
0 500 1000 1500 2000 2500 3000 3500
Número de píxeles
1.8 Figura 21. Valor del exponen-

1.7
te de Hurst de las tres zonas
principales.
Log (Tamaño de la ventana)
1.6
1.5
Zona 4 [H = 0.847]
1.4 Zona 7 [H = 0.774]
Zona 12 [H = 0.259]
1.3
1.2
1.1
1
0 0.2 0.4 0.6 0.8 1
Log (desviación estandard)
1
Figura 22. Histograma bi-
dimensional Exponente de
0.9 Hurst versus Parámetro Y.
0.8
Exponente de Hurst
0.7
0.6
0.5
0.4
70 75 80 85 90
Parametro
porcentaje. En este caso se trata solamente de una densidad y no de una textura.

El estudio de la textura como se verá más adelante, se relaciona con el cálculo de
la dimensión fractal en una ventana móvil.
En la gráfica de curvas de la Figura 24 se muestra cómo se reparten cuatro
rangos de densidad en las tres zonas urbanas principales de Acapulco. La zona 4
se caracteriza por su densidad alta.
Con la máscara de las diferentes zonas de la Figura 19, es posible, como se
hizo para la homogeneidad, medir la repartición de la textura en dichas zonas
por medio del tratamiento siguiente. El cálculo se basa utilizando una ventana
móvil de 13 × 13 o 25 × 25 píxeles para medir en estas ventanas la dimensión
fractal por medio de un conteo de cajas. En realidad, porque con estos tamaños
(m x m) existen solamente dos divisores, se utilizan cuatro medidas sobre cuatro
ventanas de 12 × 12 en el primer caso o de 24 × 24 en el segundo. El rango r de
una ventana móvil de tamaño m x m (m debe ser un número impar) es igual a
Figura 23. Cálculo de la den-

sidad.
1/25 = 4% 5/25 = 20% 8/25 = 32%
12/25 = 48% 17/25 = 68% 25/25 = 100%
Figura 24. Rangos de homo-

40
geneidad en las tres zonas
principales. 1 = 1-25%; 2 =
30
26-50%; 3 = 51-75%; 4 = 76-
Porcentaje
Zona 4 100%.
20 Zona 7
Zona 12
10
0
1 2 3 4
Rangos de homogeneidad
(m-1)/2 . Así para un ventana m × m centrada en un píxel i, j (coordenadas del

píxel; i para las líneas y j para las columnas), las coordenadas del píxel de la esqui-
na superior izquierda del primer sector de dimensión m-1 × m-1 serán iguales a
i-r, j-r; en el caso del píxel de la esquina superior izquierda del segundo sector i-r,
j-r+1. Las coordenadas del píxel de la esquina superior izquierda del tercer sector
corresponderían a i-r+1, j-r. Y finalmente las coordenadas del píxel de la esquina
superior izquierda del cuarto sector serán iguales a i-r+1, j-r+1 (Figura 25). De
esta manera se obtiene un número de divisores suficiente (1, 2, 3, 4, 6 y 12 en
el primer caso y 1, 2, 3, 4, 6,12 y 24 en el segundo) para calcular la dimensión
fractal en cada sector. Al final se realiza el promedio de estas cuatro medidas y se
registra el resultado en el píxel central de la ventana móvil.
Figura 25. Cálculo de la di-

i-j,j-r i-r,j-r+1 mensión fractal en una ven-
tana móvil.
m
i-r+1,j-r i-r+1,j-r+1
r = (m - 1) / 2
Pixel central (i, j) Pixel de la esquina

de la ventana m × m superior izquierda
de las ventanas m - 1 × m - 1
Los histogramas de la Figura 26 ilustran la repartición de la textura dentro

de las tres principales zonas mostrando el comportamiento particular para cada
una. La zona 4 corresponde a la zona urbanizada densa y el histograma de fre-
cuencia de la DF de dicha zona presenta un pico alrededor del valor 1.80. Al con-
trario, el histograma de frecuencia de la zona litoral 7 que se está desarrollando
se presenta como una curva bi-modal que traduce la heterogeneidad de esta zona.
3.5
Figura 26. Histograma de la
repartición de la Dimensión
3
Fractal en las tres zonas prin-
2.5 cipales.
Porcentaje
Zona 4
2
Zona 7
1.5
Zona 12
1
0.5
0
100 120 140 160 180 200
DF * 100
En estas páginas se dieron algunos ejemplos de tratamiento, pero existen

otros más, los cuales se hubiesen podido utilizar para estudiar los diversos ele-
mentos que forman la ciudad de Acapulco. Es el caso del movimiento brownia-
no, del cálculo de la dimensión fractal a partir de la medida de la longitud del pe-
rímetro con patrones de tamaño creciente, del cálculo de esta misma dimensión
a partir de un llenado con círculos de tamaño creciente, etcétera.
Epílogo
Sin duda los eventuales lectores que tuvieron el valor de llegar hasta este punto,
se dieron cuenta de que no hay ninguna conclusión correspondiente a los tra-
tamientos presentados en el apartado anterior. La intención era mostrar lo que
puede aportar el uso de diversos aspectos de la medición de la dimensión fractal
así como la morfología matemática y el reconocimiento de patrones. El asunto
del espacio urbano no corresponde a mi especialidad y como se dice en francés
“Cada uno dedicado a su profesión y las vacas serán bien guardadas” o bien en
español “Zapatero a tus zapatos”. Se podrían haber tomado en cuenta otros temas
de aplicación, pero en una conferencia que sobre la dimensión fractal, se mostró
el aporte del exponente de Hurst en el estudio de la rugosidad de un perímetro
urbano. Se tomó como ejemplo el caso del perímetro de la Ciudad de México
entre los años 1954 y 2001 mostrando que el incremento progresivo del valor del
coeficiente de Hurst (de 0.782 hasta 0.880) traducía la compactación de esta zona
urbana que no solo se come por el interior sino por la invasión de toda zona libre
en la periferia llegando a una suavización del perímetro. A partir de este ejemplo
se propuso un esquema que tal vez podría explicar el desarrollo de un ciudad de
América Latina desde la época colonial hasta el presente (Figura 27).
0.9
Figura 27. Evolución hipoté-
Época colonial
Nuevo llenado tica del exponente de Hurst
0.85
del perímetro urbano en fun-
ción del tiempo.
Exponente de Hurs
Crecimiento radial
0.8 Llenado progresivo
del espacio inter-radial
0.75
Nuevo crecimiento radial
0.7
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Tiempo
Por otro lado, el objetivo no era el enfoque sobre una aplicación, sino mos-
trar el aporte del software que desarrollé para cualquier estudio que necesita
basarse sobre el uso de la dimensión fractal: paisajes, espacios tridimensionales,
deforestación, suelos, etc. Ojalá que FROG_V2 sea una herramienta (que se pue-
de mejorar en el futuro en función de las observaciones de los usuarios) útil para
los equipos de investigación que lo van a utilizar.
Capítulo 7. Reconocimiento automatizado de las zonas
de encharcamiento a partir de un Modelo
Digital de Elevación. Ejemplo de la zona urbana
de Valle de Chalco, México
Carolina Ramírez Núñez
Posgrado en Ciencias de la Tierra,
Introducción
En este trabajo se desarrollaron simulaciones para detectar las áreas sensibles de

encharcamiento en la zona urbana de San Miguel Xico con base en un Modelo
Digital de Terreno (MDT) de alta resolución. Este tipo de modelación espacial
provee los elementos necesarios para determinar áreas de vulnerabilidad asocia-
das al hundimiento diferencial que afecta actualmente la zona del Nuevo Lago de
Chalco; las deformaciones inducidas por este proceso favorecen la acumulación
de agua durante eventos de fuerte precipitación pluvial. El reconocimiento de las
zonas de acumulación por medio de dichas simulaciones debe permitir la toma de
decisiones concerniente al mantenimiento y construcción de obras hidráulicas.
En la primera parte de esta investigación se proporcionan generalidades
sobre los tipos de simulación, los software utilizados frecuentemente como he-
rramienta de trabajo y se dan ejemplos de aplicación en las geociencias. En la
segunda parte se explica la problemática de los encharcamientos en la zona en
estudio. Las características del MDT, el tratamiento de los datos de pluviometría
para determinar volúmenes de agua y el algoritmo específico que se desarrolló en
este trabajo se presentan en la tercera sección. Por último se propone una clasi-
ficación de las zonas de encharcamiento al considerar características tales como
184 . Carolina Ramírez Núñez y Jean-François Parrot
área, volumen y profundidad asociadas también al hundimiento diferencial de la

planicie lacustre de San Miguel Xico.
Las simulaciones y los Modelos Digitales del Terreno
La simulación es una metodología de análisis que permite la construcción de un

modelo al considerar ciertos datos de entrada en un programa de computadora
para describir el comportamiento de un sistema que apoye la toma de decisiones
con base en los distintos escenarios posibles (Schmeiser, 1990); incluye tecnología
y herramientas de software para entender y analizar problemáticas u oportu-
nidades en relación con los sistemas simples y complejos. Existen dos tipos de
simulaciones: la estratégica y la operacional; el primer tipo se emplea en sistemas
complejos que requieren un análisis integral o interdisciplinario; el segundo tipo
de simulación se aplica en la sistematización de procesos; tal es el caso de la ma-
nufactura de productos en la que la detección temprana de errores disminuye las
pérdidas económicas (Parker et al., 2001, 2002).
En las geociencias, algunos ejemplos de la aplicación de las simulaciones y
la modelación espacial son los trabajos en relación con las formas del relieve y su
dinámica (Parrot, 2007), los peligros geológicos (Ochoa, 2009), el movimiento
de placas tectónicas (Collet et al., 2000; Parrot y Collet, 2009), los derrames de
petróleo (Parrot, 2009), la subsidencia e inundación (Freij-Ayoub et al., 2007),
entre otros.
En el ámbito de la hidrología existe software para cálculos hidráulicos uni-
dimensionales de ríos y canales tales como HEC-RAS (Hydrologic Engineering
Center River Analysis System, 2011) desarrollado por el Centro de Ingeniería
Hidráulica de la Armada de Estados Unidos; el programa MIKE-URBAN del Ins-
tituto de Hidrología Danés (DHI, 2011) simula inundaciones en zonas urbanas
con la posibilidad de mostrar la extensión del flujo en modelos 2D independien-
temente de la resolución del MDT añadiendo también entradas sobre resistencia,
turbulencia y parámetros de inundación y secado, los resultados se visualizan en
series de tiempo, perfiles, mapas y animaciones. Otro software es el Sistema de
Información Geográfica GRASS (Geographic Resources Analysis Support System,
2012) que a partir de un MDT genera rápidamente mapas de inundación o bien si
se tiene un MDT de alta resolución es posible determinar las zonas de inundación
aledañas a un río y su lámina calculada por medio de un modelo hidrodinámico
de una dimensión. Para el software ArcGis (ESRI, 2010) existen varios algoritmos
Reconocimiento automatizado de las zonas de encharcamiento a partir de un Modelo... . 185
para el tratamiento hidrológico y a través del programa Visual Basic es factible

integrar módulos para simulación, ejemplo de ello es la extensión FloodArea.
Problemática en la zona en estudio
Los encharcamientos urbanos se producen cuando el flujo superficial y subterrá-

neo del agua está limitado por la acumulación de basura en coladeras y drenajes;
la pendiente e irregularidades del terreno favorecen el flujo o estancamiento. En
el caso de la Ciudad de México, el hundimiento diferencial genera superficies de
estancamiento, ejemplo de ello es la zona urbana de San Miguel Xico, al oriente
del Nuevo Lago de Chalco, en el municipio de Valle de Chalco Solidaridad, Es-
tado de México (Figura 1) que corresponde con una de las zonas de mayor hun-
440000 460000 480000 500000 520000

2145000
Estado de
México
Distrito Federal
2140000
Cuenca de México
2135000
VALLE DE CHALCO
SOLIDARIDAD
TLÁHUAC
Canal General
2130000
San Miguel Xico
C. Xico
Escala gráfica
10 5 0 10Km
2125000
Figura 1. Zona urbana de San Miguel Xico, municipio de Valle de Chalco Solidaridad,
Estado de México.
1986 1991 1997 2006

0 CCh-M
CCh-T
-1 SPM-SC
CCh-M
-2 SPM-SC
Hundimiento del terreno (m)
SPM-SC
-3 AvCua
SPM-SC
-4 SPM-SC
CCh-T
-5 SPM-SC
SPM-SC
-6 CCh-T
SPM-SC
-7 SPM-SC
Figura 2. Puntos acotados de subsidencia en 1986, 1991, 1997 y 2006 por la Comisión Na-
cional del Agua (CONAGUA, 2010) obtenidos en la Carretera Chalco-Mixquic (CCh-M);
Avenida Cuauhtémoc (AvCua); Carretera Chalco-Tláhuac (CCh-T) y el Sistema de Pozos
Mixquic-Santa Catarina (SPM-SC), municipio de Valle de Chalco Solidaridad.
dimiento en la Cuenca de México debido a la extracción de agua para el abasto

de la ciudad (Ortega et al., 1999).
El monitoreo de precisión de la Comisión Nacional del Agua (CONAGUA,
2010) en la zona muestra el hundimiento en algunos puntos de casi 7 m para el
año 2006 (Figura 2). Con base en los datos de piezómetros ubicados en la pla-
nicie lacustre (NP2 y NP3) y el espesor del acuitardo superficial, Ortiz y Ortega
(2010) elaboraron un modelo de subsidencia para 2020 y 2030, y consideraron
que de continuar la taza de extracción actual, el hundimiento total en la zona será
de entre 12 y 19 m en el 2020, del exterior al centro de la planicie, respectivamen-
te, donde el acuitardo lacustre tiene un espesor promedio de 300 m, y para 2030
continuará la misma tendencia (Figura 3 y Tabla 1).
Metodología
La simulación de las superficies de acumulación requiere de un MDT de alta re-

solución, una lámina de agua y el desarrollo de un algoritmo. A continuación se
detalla la obtención de cada uno de ellos.
502180 Figura 3. Ubicación de los

piezómetros NP2 y NP3 uti-
2134000
Zona urbana de San Miguel Xico y el Nuevo Lago de Chalco

Leyenda
lizados en el modelo de sub-
Espesor del acuitardo lacustre (m) estimado por
Ortiz-Zamora y Ortega Guerrero, 2010
sidencia de Ortiz Zamora y
Piezómetros de monitoreo (Np)
Sistema de Pozos Mizquic-Santa Catarina
Ortega Guerrero (2010).
(CONAGUA, 2010)
0 Escala gráfica 1 Km
2128370
506000
Tabla 1. Subsidencia total acumulada en los sitios de monitoreo
Subsidencia total acumulada (m)

Sitio/Año Tasa (m/año)
2020 2030
NP2 12 15 0.25
NP3 19 23 0.4
Fuente: Ortiz y Ortega, 2010.
a) MDT
El MDT de una zona esencialmente plana y con hundimientos diferenciales re-
quiere de una mayor cantidad de información altitudinal, por lo que se obtuvie-
ron puntos acotados mediante Sistemas de Posicionamiento Global de precisión.
Las mediciones vectoriales se añadieron al área delimitada por las curvas de al-
titud < 2 300 msnm de INEGI (2006) originalmente interpoladas de manera

multidireccional con el algoritmo New-Miel (Parrot et al., 1993; Parrot, 2004)
con una resolución de 5 m; en el caso de los puntos acotados se realiza una dila-
tación (Taud et al., 1999), lo que permite destacar rasgos urbanos tales como el
Canal General y su calle paralela (Calle Acapol) y la vía de ferrocarril México-
Cuernavaca (Tabla 2).
b) Cálculo de lámina
La extracción de las zonas de encharcamiento requiere de un análisis previo del
comportamiento de la lluvia para determinar la cantidad de agua que se distri-
buirá en el MDT. La temporada de lluvia de la subcuenca Chalco se presenta
durante los meses de mayo a octubre, esto por el gran aporte de humedad que
llega al continente proveniente de los ciclones tropicales de los océanos Pacífico y
Atlántico; y una menor cantidad ocurre durante la temporada seca del año, si
bien este comportamiento es estacional, los eventos que han generado inunda-
ciones severas en la zona no han ocurrido solamente durante la temporada de
lluvias. Para determinar el comportamiento de la precipitación pluvial se utilizó
el Exponente de Hurst (H), el cual mide la aleatoriedad o persistencia de un fenó-
meno (Hurst, 1951). En este caso, el exponente de Hurst obtenido del análisis de
la serie de datos de precipitación pluvial diaria de la estación climatológica Chal-
co (1961-2008), (SMN, 2010; Figura 4), (H=0.271) indica la irregularidad del fe-
nómeno por lo que el desencadenamiento de inundaciones también es aleatorio.
El volumen de agua como dato de entrada para la generación de encharca-
mientos se obtuvo con base en un análisis de frecuencia (Osman y Houghtalen,
2003) que utiliza la distribución de probabilidad de Gumbel, misma que se ajusta
a la mayoría de los datos de precipitación. La cantidad de precipitación máxima
esperada en 24 hr en un periodo de retorno de cinco años es de 49 mm en tanto
Tabla 2. Valores de altitud máxima y mínima medidos en diferentes sitios de la zona de San
Miguel Xico, municipio Valle de Chalco Solidaridad
Altitud (msnm)
Zona de medición
mín. máx.
Canal General 2 227.21 2 228.55
Calle Acapol 2 224.55 2 228.96
Ferrocarril Cuernavaca-México 2 227.003 2 229.26
Calles 2 226.87 2 228.91
90
80
70
60
Precipitación (mm)
50
40
30
20
10
0
02
77
92
97
00
03
05
67
75
19 2
94
95
98
07
08
61
19 2
64
69
70
19 2
74
19 8
65
79
85
80
84
90
87
8
6
20
19
19
19
20
20
20
19
19
19
19
19
19
20
20
19
19
19
19
19
19
19
19
19
19
19
Figura 4. Precipitación pluvial diaria de la estación climatológica Chalco durante el periodo
1961-2008 (fuente: SMN, 2010).
que para diez años es de 58 mm; por otra parte, la máxima cantidad de precipi-
tación estimada para un periodo de retorno de un siglo (88 mm) es cercana a la
ya registrada en la estación climática Chalco con 80 mm. El volumen de agua
utilizado en las simulaciones corresponde al de 49 y 88 mm, respectivamente.
c) Descripción del algoritmo

Las zonas de encharcamiento se obtuvieron mediante el desarrollo del algoritmo
Charcos (Parrot, 2010). En el primer cálculo se ubica el punto de altitud más baja
(Pb) en la zona urbana delimitada por una máscara; en este punto inicial se define
un primer código junto con el llenado de una lámina de agua (Lx); se atribuye el
mismo código a los píxeles vecinos cuando la altitud es menor que la superficie
de la lámina. El siguiente fondo de una zona de encharcamiento iniciará cuando
la altitud sea igual a la del nivel alcanzado por la superposición de láminas del
punto anterior; en este caso el código de la nueva depresión es igual al código
anterior más uno. El llenado continúa y el valor de los píxeles vecinos dependerá
de la conexión anterior hasta encontrar el límite entre dos zonas de encharca-
miento con códigos (Figura 5a). Una vez que se han delimitado todas las zonas de
encharcamiento se distribuye el volumen más frecuente (en 24 hr) determinado
para cinco años y un siglo, esto es 49 y 88 mm, ya que el primer caso corresponde
con las zonas de encharcamiento más frecuentes y el segundo, con la extensión
máxima de éstas en eventos de precipitación muy fuerte (Figura 5b).
Figura 5. Llenado progresi-

Código 3 Código 2 Código 1 vo del algoritmo Charcos a.
primera etapa: búsqueda del
punto más bajo y b. segunda
etapa: cálculo de la profun-
Punto inicial Punto inicial Punto inicial
del código 3 del código 2 del código 1 didad según el área de cada
depresión.
A
Los resultados de cada tratamiento son tres imágenes y un archivo

descriptivo, la primer imagen muestra las depresiones delimitadas en la zona
urbana (imagen_charc.raw), la segunda indica los charcos en cada una de ellas
(imagen_charc_code.raw) y la tercera corresponde al MDT con la altitud del te-
rreno añadiendo la codificación de la profundidad (imagen_charc_prof_m4). El
archivo descriptivo contiene el número de depresiones y su área (m2), el volumen
de agua (m3) captado en relación con la cantidad de precipitación pluvial (mm
o l/m2) y la profundidad máxima (cm) de la lámina de agua en cada depresión.
Resultados
El algoritmo detecta 102 depresiones en la zona urbana de San Miguel Xico; las
depresiones con el fondo de menor altitud se distribuyen en forma paralela al Ca-
nal General y corresponden con el área de mayor hundimiento regional estimado
por Ortiz y Ortega (2010). Las zonas de encharcamiento con una precipitación
de 49 mm alcanzan láminas de 15 cm, y de 19 cm cuando la precipitación es de
88 mm en un periodo de 24 hr. La mayor parte de las depresiones tienen una
superficie menor a los 100 000 m2 con láminas <10 cm, en tanto que las depre-
siones con una superficie >100 000 m2 son muy pocas y registran láminas de
entre 2 y 19 cm (Figura 6).
La mayoría de las zonas de encharcamiento son de poca profundidad pero su
volumen y superficie varía (Figura 7). A través del Análisis de Cluster es posible
determinar grupos de objetos internamente homogéneos y lo más heterogéneo al
Figura 6. Resultados de la
simulación con el algoritmo
Vía de
Charcos que muestra (a) las
Ferrocarril zonas de encharcamiento
(rojo) y (b) las depresiones
definidas en función de la
Canal General
altitud del fondo (matiz de
azul).
Nvo. Lago de Chalco

Sn. Miguel
Xico
b
Altitud de las micro-cuencas lacustres
(msnm)
Ubicación de los charcos
2225 2229
exterior, considerando distintas variables sin la necesidad de una independiente

o explicativa (Everitt et al., 2001). Existen varias distancias para determinar la
similitud de los objetos, la más utilizada es la euclidiana, pero también se pueden
usar otras técnicas de análisis que construyen grupos por agregación, como el
algoritmo de clasificación ascendente (Johnson, 1967) en el que la agrupación es
de forma secuencial, de menor a mayor distancia. Para representar gráficamente
el grupo se emplea el gráfico en forma de árbol o dendograma donde cada objeto

está representado inicialmente por una rama final, las uniones de ramas del árbol
en otras intermedias representan las distancias a las que se produce el agrupa-
miento.
Al considerar la superficie, el volumen y la profundidad de la lámina de
agua en cada charco por una precipitación máxima de 49 y 88 mm en 24 hr se
obtienen tres tipos de encharcamientos de igual superficie promedio para ambas
cantidades de lluvia pero con mayor volumen y profundidad (Tablas 3 y 4). El
primer grupo de charcos se encuentra en forma paralela al Canal General, y co-
rresponde con la zona de mayor subsidencia, su lámina promedio es de 11 cm;
los charcos del segundo grupo ocupan una mayor superficie y volumen de agua
Figura 7. Profundidad de la
lámina de agua en cada de-
presión para una precipita-
Vía de
Ferrocarril ción pluvial de 49 y 88 mm
Lámina (cm) (b y d, respectivamente).
Canal Generl
1
Nvo. Lago de Chalco

Sn. Miguel
Xico
15
a
Lámina (cm)
19
b
Tabla 3. Valores medios por grupo de charcos con una precipitación máxima de 49 mm en
24 hr
Valores medios por grupo Superficie (m2) Volumen (m3) Profundidad (cm)
1 178433 8922 11
2 343100 17155 7.4
3 17326 866 1.2
Tabla 4. Valores medios por grupo de charcos con una precipitación máxima de 88 mm en
24 hr
Valores medios por grupo Superficie (m2) Volumen (m3) Profundidad (cm)
1 178 433 14 275 13.5
2 343 100 27 448 8.7
3 17 326 1 386 1.6
que el primer y tercer grupo de charcos; no obstante, la profundidad promedio es

menor que los charcos del primer grupo y se encuentran con mayor frecuencia en
la zona urbana; el último grupo de charcos se caracteriza por su baja profundidad
por lo que el volumen de agua y superficie son menores.
Si bien existe una relación directa entre la superficie y el volumen de los en-
charcamientos para cualquier cantidad de precipitación pluvial, la profundidad
o lámina y el volumen de agua en los mismos se relacionan con la morfología del
terreno (Figura 8, 9 y 10); esto implica que en eventos de precipitación pluvial de
49 mm, las zonas de encharcamiento tendrán láminas menores cuyo volumen se
distribuirá en superficies irregulares del terreno; en cambio, durante los eventos
18
Figura 8. Relación entre la
16
profundidad con el volumen
de las zonas de encharca-
14
miento con 88 mm de lluvia.
12
Profundidad (cm)
10
0
0 5000 10000 15000 20000 25000
y=0.0006x Volumen (m 3)
R 2=0.4802
502180 Figura 9. Grupos de charcos

2134000
(1, 2 y 3) clasificados con el
Zona urbana de San Miguel Xico y el Nuevo Lago de Chalco
Leyenda
algoritmo de Johnson.
Grupos de Encharcamientos (ejemplos)
Espesor del acuitardo lacustre (m) estimado por
Ortiz-Zamora y Ortega-Guerrero, 2010
Sistemas de Pozos Mixquic -Santa Catarina
(CONAGUA, 2010)
0 Escala gráfica 1 Km
2128370
506000
25 Figura 10. Relación entre el

volumen y la profundidad
de las ¿?? de dos zonas de en-
20 charcamiento considerando
la misma cantidad de preci-
pitación pluvial.
15
Profundidad (cm)
Encharcamiento
24
10
Encharcamiento
11
0
0 10000 20000 30000 40000
Volumen en (m3)
de fuerte precipitación pluvial, los encharcamientos de mayor altura se encontra-

rán en un terreno más profundo, asociado con la subsidencia ubicada al sur del
Canal General.
Conclusiones
La simulación mediante MDT es una técnica de investigación necesaria en las

ciencias ambientales dada la capacidad de respuesta; presenta ventajas de expe-
rimentación, costos, seguridad y visualización espacial. Las zonas de encharca-
miento indican áreas de atención para obras públicas de pavimentación y moni-
toreo del hundimiento; sin embargo, para mejorar su delimitación se requieren
nivelaciones de precisión con una mayor densidad de puntos que incluyan la
infraestructura hidráulica. Esta técnica de análisis podría implementarse no solo
en la simulación, sino en el monitoreo en tiempo real de los encharcamientos
durante la temporada de lluvias y su información oportuna a la población para
tomar alternativas viales o bien disminuir el daño en inmuebles.
Capítulo 8. Reconstitución tridimensional
de un paleo-relieve. Aplicación al estudio del talud
gravitacional “La Galera” en el municipio
de Tlatlauquitepec, Sierra Norte de Puebla, México
Verónica Ochoa Tejeda
SERTIT Service Régional de Traitement d’image et de Télédétection,
Universidad de Estrasburgo, Francia
Introducción
Los acercamientos cuantitativos de la geomorfología o geomorfometría han sido

tratados y experimentados desde hace mucho tiempo, pero el desarrollo de la
teledetección espacial reforzó el interés que se le daba antes. Actualmente, ambas
son puestas en práctica sobre todo para describir las modificaciones topográficas
debidas a la tectónica reciente o activa. En las regiones donde la tectónica es
importante, la geomorfometría y la teledetección sirven para comparar y evaluar
las tasas de crecimiento de los relieves que corresponden a rasgos estructurales.
La geomorfometría se apoya sobre un conocimiento preciso de la topografía
terrestre gracias a información satelital o a mapas topográficos (curvas de nivel
digitales) para obtener modelos digitales de elevación (MDE), los cuales permiten
una automatización de los cálculos y el desarrollo de nuevos parámetros.
El uso de los MDE cada vez es más recurrente y extendido, ya que se pueden
utilizar en diferentes tipos de investigaciones, como en la detección de fallas
geológicas, la exploración geotérmica, la extracción de la red fluvial, en los cálcu-
los de insolación, para hacer simulaciones y reconstrucciones del paisaje, entre
otros. Con la ayuda del tratamiento digital de imágenes de satélite a diferentes
resoluciones (Landsat, Spot, IKONOS, etc.), y el análisis estereoscópico de pares
de fotos, los tratamientos de estos datos numéricos conducen a una visión 3D del
relieve (Casana y Cotheren, 2008; Parrot y Ochoa, 2008; Philip et al., 2002),
además de que se pueden generar MDE de alta precisión y resolución.
198 . Verónica Ochoa Tejeda
Se pretende mostrar en este capítulo el aporte de las simulaciones tridimen-

sionales en el estudio de los procesos morfogenéticos (erosión, transporte y se-
dimentación), así como en el estudio del modelado de la superficie terrestre en
el tiempo. De hecho, el desarrollo de las simulaciones representa un importante
acercamiento que permite analizar de manera objetiva cualquier fenómeno y así
poder validar una hipótesis concerniente a cada evento.
En las páginas siguientes se estudia y se analiza un proceso de remoción en
masa (PRM) a partir de la reconstitución tridimensional del paleo-relieve. Este
movimiento en masa se produjo en una ladera de la formación Tamán-Pimienta
del Jurásico Superior de la región de La Soledad, Sierra Norte de Puebla (México)
y generó el talud gravitacional de “La Galera”, depósito inestable frecuentemente
removilizado por deslizamientos, sobre todo cuando se presentan lluvias extraor-
dinarias relacionadas con la presencia de huracanes y depresiones tropicales que
afectan a México.
Antes de desarrollar los aspectos metodológicos y los resultados obtenidos,
se necesita dar una breve descripción de la región en estudio, de las formaciones
geológicas superficiales y taludes gravitacionales. En particular, se dan las carac-
terísticas del talud gravitacional “La Galera”, los detalles y el tipo del PRM que lo
formó. Asimismo se presenta una pequeña explicación de cómo se generó el MDE,
de los tratamientos que se hicieron para elegir la resolución o tamaño del píxel
acorde para hacer la reconstitución del talud. Posteriormente se dan las bases del
algoritmo y finalmente se calcula el volumen del material del deslizamiento: el
desplazado, el acumulado y el erosionado.
Localización
El talud gravitacional “La Galera” se localiza en la vertiente noroeste de la región

de La Soledad en el municipio de Tlatlauquitepec, Sierra Norte de Puebla, Mé-
xico. La zona de La Soledad queda comprendida entre las provincias fisiográficas
Sierra Madre Oriental y el límite norte de la porción oriental del Cinturón Volcá-
nico Transmexicano. La región se localiza entre las coordenadas 19°53’ y 20°00’
de latitud N y las coordenadas 97°25’ y 97°32’ de longitud W (Figura 1).
Reconstitución tridimensional de un paleo-relieve. Aplicación al estudio del talud… . 199
116º 88º
32º 32º
E S TA D O S U N I D O S
SIS
TE
PE
CH
IH DE MA
NÍN
UA
HU
SU
A
LA
DE
(Go
MAo de B
BA
SIE
lf
R D aj a
JA
RR
SIE
E C ali f
CA
GOLFO
AM
OR orn
RR
C
LIF
DE
T É i a)
Coahuila
AD
AM
OR
Monterrey
S
MÉXICO
NIA
RE
AD
PLAN
PLANICIE COSTERA
OR
RE DEL GOLFO DEL MÉXICO
ICIE C
IEN
OC SIERRA
MADRE ORIENTAL
OSTER
TA
CID
PLATO La
Galera
L
CENTRAL La
EN
A DEL
Soledad
Tlatlauquitepec
TA
ESTADO Teziutlan
G. DE
DE
L
PUEBLA
PL ATA F O R MA
CINTURÓ
M.
N VOLCÁN CINTURÓN DE
ICO TRA Hidalgo VOLCÁNICO TRANS-MEXICANO YU C ATÁ N
NS-MEX
ICANO
México
Puebla
ICE
SIE
C
TEHUA O D E
NTEPE
RRA
BEL
OC MA SIERRA
EÁ
I TS M
NO DR DE
PA ED Oaxaca
CÍF EL CHIAPAS
SUR
0 100 200 300 400 ICO AMÉRICA
A Kilómetros CENTRAL
14º
116º
Figura 1. Localización del talud gravitacional La Galera.
Formaciones geológicas superficiales
A lo largo de la historia geológica han existido numerosas causas naturales que

han provocado el desencadenamiento de los procesos de remoción en masa,
como han sido los sismos, erupciones volcánicas, desplomes de los techos de las
cavernas, laderas montañosas abruptas asociadas a fallas, precipitaciones extraor-
dinarias, etc. Los PRM han movilizado grandes cantidades de material geológico
y éstos son responsables de la formación de importantes depósitos gravitacio-
nales, también conocidos como depósitos inestables o formaciones geológicas
superficiales.
Los depósitos inestables o formaciones geológicas superficiales, así llama-
das por los geólogos y los geomorfólogos, están constituidos por materiales
que provienen de la transformación física de la roca existente (fragmentación,
alteración…) o que resultan de un transporte y de una larga evolución físico-
química (antiguos depósitos eólicos, blindaje laterítico, etc.). La distribución de
estos depósitos en el espacio está estrechamente vinculada a las formas del relieve
(Richard y Beroutchachvili, 1996). Las formaciones superficiales representan los
materiales no consolidados que se encuentran sobre las rocas in situ y consisten

en una corteza de intemperismo y depósitos de ladera, fluviales y otros.
La clasificación de las formaciones geológicas superficiales según Dewolf y
Bourrié (2008), se basa principalmente en la topografía y la dinámica en la cual
éstas se han sometido; básicamente se toma en cuenta su naturaleza y su compor-
tamiento. Así se tienen:
a) las formaciones autóctonas son todas las formaciones esenciales para

la reconstrucción de paleo ambientes (regolitas, alteritas, arcillas sobre
kars, organitas);
b) las sub-autóctonas son las formaciones de vertientes (coluviones, taludes
gravitacionales);
c) las alóctonas son las formaciones que tienen un vínculo con la dinámica
y el proceso en acción (fluvial, glacial, litoral, lacustre, eólico) y generan
formas características como las terrazas fluviales, morrenas, dunas de los
desiertos y litorales, mesetas eólicas;
d) las formaciones superficiales consolidadas (compactación y consolida-
ción por los carbonatos, cortezas salinas, silicificaciones y blindajes late-
ríticos) cuya presencia desempeña un papel esencial en los paisajes mor-
fológicos.
Y por último,
a) las formaciones superficiales llamadas “antrópicas”, es decir, las que son

alteradas o generadas por el humano como los terraplenes o rellenos y los
jales mineros.
Talud o depósito gravitacional
En la Sierra Norte de Puebla se definen dos tipos principales de formaciones

geológicas superficiales: coluviones y taludes o depósitos gravitacionales (Ochoa,
2009, 2010). En este capítulo solo se hace mención del segundo tipo, y en par-
ticular se estudia el talud gravitacional de “La Galera” como ejemplo para la
reconstrucción de un paleo-relieve.
El talud gravitacional está clasificado dentro de las formaciones geológicas
superficiales del tipo sub-autóctonas; es una superficie inclinada con una acumu-
lación de detritos rocosos al pie de un acantilado o de una pendiente fuerte; el
talud se origina por movimientos masivos de material rocoso de diferente granu-

lometría (detritos, brechas, derrubios), en donde el agente principal es la grave-
dad y que se mueven por la ladera, valle abajo formando lóbulos o conos como
expresión geomorfológica. El talud tiene un ángulo natural de reposo que es
aquél en el cual el material se encuentra en equilibrio (Lugo, 1989; Barsch, 1996).
Dicho ángulo depende de la granulometría homogénea de los sedimentos que
lo forman. Pero cuando la granulometría de los materiales es heterogénea y mal
clasificada como en los procesos de remoción en masa, no hay ángulo de reposo.
Los taludes gravitacionales pueden ser activos o inactivos; los activos se ca-
racterizan por un escarpe frontal marcado, mientras que las formas inactivas
presentan transición convexa suave entre superficie y la vertiente frontal.
Los taludes gravitacionales inactivos todavía conservan su material pero han
dejado de moverse. Esto se debe a causas climáticas, hidrológicas o geomorfológi-
cas. El relieve superficial de un talud gravitacional inactivo todavía está bastante
bien conservado. Los “paleo-taludes gravitacionales”, en contraste, ya están de-
caídos debido a la erosión o intemperismo, hay pérdida del material de la matriz
(partículas más finas), su superficie puede presentar elevaciones débiles remanen-
tes de las estructuras de flujo (Brenning, 2003).
En términos generales el tamaño de los taludes gravitacionales en la región
de La Soledad varía entre los 400 a 1 500 m de ancho y 300 a 2 000 m de largo;
los más grandes se han originado esencialmente al pie de los acantilados de las
formaciones del Jurasico Inferior (Huayacocotla) y Superior (Tamán y Pimienta);
en su superficie se desarrollan ondulaciones y lóbulos característicos producidos
por el flujo; además es fácil reconocer un talud gravitacional por su escarpe fron-
tal convexo. Según el origen del material los taludes gravitacionales están forma-
dos principalmente por el material de la vertiente.
Talud gravitacional “La Galera”

El talud gravitacional “La Galera” se formó a partir de un proceso de remoción
en masa complejo, el cual se inició a partir de un colapso relacionado con la
formación de la Caldera de los Humeros en la vertiente de la formación Tamán-
Pimienta (JS; Figura 2); la caída de un volumen importante de bloques prove-
nientes del acantilado dio lugar a un deslizamiento rotacional de rocas, el cual
movilizó el material entre una cicatriz semicircular y el antiguo espejo de la falla
normal, consecuente también de la formación de la gigantesca caldera de Los
Húmeros (Mooser, 1972; Verma, 1983), cuyo centro se ubica a 30 km al sur. El
material desplazado por el deslizamiento formó un enorme lóbulo originando el
talud de escombros de gran amplitud como expresión del relieve.
Metros
1850
1525 FN
Depósito
1300 Colapso gravitacional
1075 T-P
lx Río Apulco
850
Hy ? T-P ?
625 Hy
400
0 0.5 1km
Figura 2. Corte esquemático del colapso afectando la formación del Jurásico Superior en la
región de La Galera y de la formación del depósito gravitacional resultante. T-P = Formación
Tamán y Pimienta (Jurasico Superior); Hy = Formación Huayacocotla (Jurásico Inferior);
FN = Falla normal.
Cabe añadir que toda la vertiente norte en donde se encuentra la presa La

Soledad en el municipio de Tlatlauquitepec, corresponde al límite septentrional
de la influencia de la caldera y que su formación indujo numerosos colapsos en
esta zona y en la fase final provocó grandes derrames de material de tobas y de
ignimbritas.
El talud gravitacional “La Galera” es un depósito activo, cuyo material cons-
tituido principalmente de calizas, lutitas, margas y areniscas, fue removilizado
por numerosos deslizamientos rotacionales que se desencadenaron a causa de las
fuertes precipitaciones originadas en 1999 y 2005. Este fenómeno es el responsa-
ble de la formación de importantes depósitos de brechas gravitacionales actuales.
Los deslizamientos
Se denomina deslizamiento al movimiento lento o rápido de una masa de suelo o

de rocas en una ladera de más de 15° de inclinación, plano sobre el cual se resba-
la. Sus dimensiones son muy variables, pueden ser de unas decenas a cientos de
miles de metros cúbicos de roca; en espesor varían de menos de un metro a más
de veinte. Se desencadenan principalmente en las montañas, riberas de ríos, lagos

y mares. Al producirse un deslizamiento se origina una grieta de forma cóncava
vista en plano, en la zona de ruptura, con un escarpe que presenta el movimiento
vertical entre las masas. En la grieta puede desarrollarse un circo de erosión. La
masa deslizante presenta, por lo general, una superficie escalonada (Lugo, 1989).
La presencia de grietas es la primera señal de la posibilidad de que se genere un
proceso de este tipo, éstas se llegan a localizar en la zona que ocupara el escarpe
principal.
Los deslizamientos se subdividen en tres tipos: rotacional, translacional y pla-
nar, y la superficie de ruptura define al tipo. En este capítulo solo se menciona el
tipo rotacional, ya que fue el proceso que originó el talud gravitacional “La Galera”.
Los deslizamientos rotacionales

Según Hutchinson (1988), los deslizamientos rotacionales son movimientos de
masa esencialmente vinculados a fuerzas que causan un desplazamiento curvo al-
rededor de un punto situado sobre el centro de gravedad de la unidad desplazada.
El deslizamiento rotacional se caracteriza por superficies de ruptura cónca-
vas o curvas; los materiales o la masa desplazada se acumulan ladera abajo y su
grado de deformación suele ser muy bajo. Los movimientos posteriores al inicial
pueden ocasionar el retroceso progresivo de la corona, la extensión y velocidad;
puede ser muy variable según el tipo de material en el que se originen. Los desli-
zamientos rotacionales se dividen en dos grupos: los que afectan las capas geoló-
gicas y los que afectan las formaciones geológicas superficiales.
a) Deslizamientos que afectan las capas geológicas

Éstos pueden producirse a contra buzamiento (sentido contrario de la inclinación
de las capas geológicas), en donde la extensión del material desplazado es menor
y se generan solamente lóbulos poco extensos. Afectan sobre todo las rocas poco
compactas y muy foliadas (rocas metamórficas) o estratificadas (rocas sedimen-
tarias) y que contienen una fuerte proporción de niveles ricos en arcilla (Figura
3A). Por otro lado, en el caso de los deslizamientos que van en el sentido del bu-
zamiento, la extensión del material desplazado es mayor e implica la formación
de lóbulos muy anchos (Figura 3B).
b) Deslizamientos rotacionales que afectan las formaciones geológicas superficiales

En el caso de los deslizamientos rotacionales que afectan las formaciones super-
ficiales más o menos homogéneas de gran espesor y con gran saturación de agua,
la corona de desprendimiento está en el arco del círculo y la superficie de ruptura
es una curva bien definida (la concavidad se dirige hacia lo alto) y presenta una
fuerte circularidad (Figura 3C). Cuando la formación superficial reposa sobre el
sustrato, la superficie de ruptura embona entonces con la topografía del basamen-
to, sobre todo cuando ésta es impermeable (Figura 3D).
El deslizamiento rotacional que formó el talud gravitacional La Galera, es
del tipo A (Figura 4), es decir, que afectó las capas geológicas casi horizontales a
contra buzamiento de 5°, los escombros se deslizaron rápidamente hasta el cause
del río Apulco encontrando su equilibrio.
Morfología de un deslizamiento rotacional
Crozier (1973) propone aplicar a los deslizamientos rotacionales diversos índices

morfométricos describiendo la forma (Figura 4). De hecho, la clasificación dada
por este autor en 1986 se apoya sobre las formas del deslizamiento, la masa trasla-
dada, la cicatriz y la superficie de ruptura, permitiendo así distinguir seis índices
morfométricos tales como la profundidad, la dilatación, etc. Fue posible tomar
en cuenta estos índices para validar los resultados obtenidos en la reconstitución
del paleo relieve. Esta simulación concerniente a los movimientos antiguos de
terreno que han afectado la formación Tamán-Pimienta, se hizo a partir de un
modelo digital de elevación.
Reconstitución del talud gravitacional
Se han desarrollado diferentes índices morfométricos que permiten abordar de

manera cuantitativa el estudio del relieve como: a) índices sobre la importancia
del relieve y su grado de disección por la erosión; b) índices a partir de los cursos
de agua; c) índice de sinuosidad de los frentes montañosos, y d) combinación de
la utilización de diferentes índices.
También existen métodos para determinar el volumen de un deslizamiento,
por ejemplo, se puede hacer una estimación directamente de los datos del terreno.
Alternativamente, a la escala de la cuenca, los modelos digitales de elevación son
herramientas útiles, pero requieren de una buena resolución espacial (Korup,
2005).
De la metodología propuesta por Ineter- COSUDE (2003-2005), para el
cálculo del volumen se tiene la fórmula: V = (π) (Wr. Lr. Dr.)/6; donde, V: Volu-
men de material (m3); Wr es el ancho de la superficie de ruptura; Lr la longitud
Plano de fricción
Bloques en movimiento
Material depositado
Meterial depositado
Sustrato
Sustrato
A B
Formación
Contorno de la cavidad
superficial
de desprendimiento Superficie de ruptura
Superficie de ruptura Material de la
Material de la formación superficial
formación superficial
Formación Sustrato
superficial
C D
Figura 3. Esquemas de deslizamientos rotacionales. A. Afectando el sustrato en contra buzamiento y B. En sentido del buzamiento;
C-D. Afectando las formaciones superficiales.
A
Pequeña Escarpe principal
terraza Corona
Escarpe
Superficie de
Zona secundario
ruptura
convexa
Hueco
Cicatriz
(concava)
Frente
Masa desplazada
(convexa)
C
Superficie inicial
B
o
rech
Nueva superficie
e
co d
o
uierd
Flan
Superficie
q
co Iz
de ruptura
Flan
Superficie inicial
fosilizada
Índices morfométricos:
1. Profundidad : D/L x 100% 4. Escurrimiento plástico : Wx. / Wc
2. Dilatación : Wx. / W.c 5. Escurrimiento viscoso : Lf. / Dc.
3. Tenuidad : Lm. / L. C 6. Desplazamiento : Lr. / Lc.
Figura 4. Índices morfométricos utilizados para el estudio de movimientos de terreno; apli-

cación a las lupas del deslizamiento (Crozier, 1973).
de la superficie de ruptura; Dr la profundidad de la superficie de ruptura, me-

diante perpendicular a la topografía original del terreno y π = 3.1416. Este mode-
lo descrito para calcular el volumen de material movilizado contempla también
el factor de hinchamiento del material.
En este trabajo se propone una simulación sobre la zona de dicho talud
gravitacional, con el fin de estimar el volumen del material desplazado en la
zona cóncava de desprendimiento y el material acumulado en la zona convexa

del lóbulo, constituido por materiales poco consolidados (detritos) e inestables.
El algoritmo propuesto Simdesl_v3.exe (Parrot, 2009 inédito) reconstituye
la forma anterior del relieve antes del evento, lo que permite así calcular por la
diferencia entre el MDE generado por la simulación y el MDE original, el volumen
puesto en movimiento por el fenómeno y el volumen depositado en el frente
(lóbulo) del deslizamiento.
Se puede ver que la simulación de este talud gravitacional obedece al com-
portamiento teórico propuesto por Crozier (1973) para medir los elementos mor-
fométricos de un movimiento de ladera, el cual, se mencionó anteriormente.
Antes de explicar cómo funciona el algoritmo, se da una explicación sobre
la generación y el tipo de modelo digital de elevación (MDE) y el porqué se eligió
la resolución de 5 m el tamaño del píxel en el MDE empleado. Éste se generó si-
guiendo el proceso descrito en el manual “Generación de MDE raster. Método de
Digitalización” (Parrot y Ochoa, 2005), donde se explica un método para generar
MDE, a partir de las curvas de nivel provenientes de mapas topográficos barridos
(escaneados).
Una vez dibujadas todas las curvas de nivel (Ochoa, 2004) de los mapas
topográficos escala 1:50 000 (Cartas Teziutlán, INEGI 1999, 2006), las imágenes
se guardaron en el formato .raw como lo requiere el algoritmo empleado para
generar el MDE. Estos programas necesitan un archivo de formato .txt que corres-
ponde al archivo descriptivo de la imagen .raw.
Se necesita también crear una tabla de correspondencia entre los valores en
tonos de gris de las curvas de nivel y los valores de altitud porque el programa
Brod4_mx.exe (Parrot, 2003) utiliza esta tabla y la imagen de las curvas dibu-
jadas, para crear un archivo en 4 bytes de las curvas de nivel con sus valores
reales de altitud. El programa Brod4_mx.exe va a crear una imagen que tiene
la extensión _c4.raw donde el valor de altitud de las curvas de nivel se definió
en decímetros. Este archivo es la base sobre la cual se hacen las interpolaciones
multi-direccionales
Tomando en cuenta esta tabla de correspondencia, el programa Brod4_
mx.exe va a crear una imagen que tiene la extensión _c4.raw. Este archivo, es la
base sobre la cual se hacen las interpolaciones multi-direccionales.
Finalmente, con el programa miel4_mx.exe (Parrot, 2003) se genera el MDE
(creando un archivo con extensión _m4.raw) a partir de la imagen con extensión
_c4.raw, haciendo una interpolación multidireccional. Estas dos imágenes están
codificadas en cuatro bytes (int).
Este formato asegura cualquier diferencia de isometría con un tamaño del

píxel que se mide en metros, decímetros o centímetros9 (a veces en milímetros)
y finalmente se crea un MDE de cuatro bytes. El algoritmo miel4_mx.exe trabaja
por capas comprendidas entre dos curvas de nivel. Las capas corresponden a zo-
nas cerradas y delimitadas dentro de la imagen. Por cada píxel ubicado en la capa
se mide el valor de la distancia mínima (di) entre este punto y la curva inferior de
altitud Ai y su distancia mínima (ds) con la curva superior de altitud As (Figura 5).
El valor de la altitud Ap del píxel P de coordenada (i,,j) es igual a:
Ap = Ai + [(As - Ai) × (di / d)] donde d = di + ds.
Por otro lado se añaden puntos cotejados en las curvas cerradas para evitar
que se generen zonas planas; la interpolación dentro de las curvas cerradas siguen
el proceso desarrollado por Taud et al. (1999). Cabe decir que en el programa
miel4_mx.exe las zonas planas desaparecen porque este algoritmo hace una in-
terpolación en las zonas que están ubicadas entre dos curvas de altitud diferen-
te, buscando las distancias mínimas que unen un punto en estudio y estas dos
curvas. Finalmente se crean dos MDE de 2 y 4 bytes con precisiones isométricas,
ya sean en metros, decímetros, centímetros o milímetros, y con diferentes reso-
luciones del tamaño del píxel. Esto se elige según el uso y lo que se quiere extraer
del MDE.
Para decidir cuál era la resolución del MDE adecuada para hacer la reconsti-
tución del talud gravitacional, se hicieron algunos tratamientos con las imágenes
IKONOS del año 2000 (después del evento) como la aplicación de los índices de
reflectancia (NDVI, SBI), el análisis de los PRM con la ayuda de los patrones de re-
conocimiento de formas para extraer las trazas de los deslizamientos (Parrot y
Ochoa, 2008), así como también se redimensionaron las imágenes de satélite
originales, es decir, la imagen original pancromática que tenía 1 m y la multies-
pectral 4 m de resolución, se recalcularon obteniendo imágenes de 5 m tamaño
de píxel. Esto mismo se hizo con el MDE, se redimensionó el original de 25 m a
20, 10 y 5 m. Estas imágenes resultantes permitieron generar diferentes imáge-
nes de pares estereoscópicos con diferentes valores de resolución. Después, estos
9 Si se trabaja en zonas con altitudes menores a 6.5 km y con píxeles decimétricos se requiere
solamente un formato de 2 bytes. La versión del programa Newmiel.exe (Parrot y Taud, 1993)
permite generar MDE de 16 bits con extensión _m2.raw. Lo hace a partir de una imagen de
las curvas de nivel de 32 bits, con extensión _c2.raw, generada por el programa Brod_tab.
exe (Parrot, 1992).
Figura 5. Ejemplo del cálculo

As
ds de la interpolación lineal en-
Ap
tre dos curvas de nivel 1000
y 1100.
As
di
ds
100
0 Ap
11
di
00
Ai
Ai
pares estereoscópicos se transformaron a pares de imágenes epipolares10 norma-

lizadas las cuales son paralelas al plano XY del espacio objeto. Al transformar las
imágenes adquiridas en epipolares se produce exclusivamente el paralaje en una
sola dirección y los puntos correspondientes se alinean en la misma fila o colum-
na, por lo que el tiempo requerido para realizar el proceso de superposición de
las imágenes, que permitirá luego el cálculo de la magnitud de la paralaje y con
base en ella la elevación se reduce considerablemente. La normalización del par
estereoscópico adquirido se realiza comúnmente aplicando criterios de geometría
epipolar (Morgan, 2004), el proceso se resume en lo siguiente (Figura 6).
Si m es la proyección sobre una imagen de un punto M visto por un cap-
tador en posición C1, el punto que le corresponde sobre la otra imagen, cuando
el captador está en posición C2, pertenece forzosamente a la derecha llamada
línea epipolar. La relación entre m y esta misma a la derecha está definida por la
“matriz fundamental”. Las líneas epipolares son las trazas del plano epipolar (C1,
C2, M) sobre cada imagen.
Cuando el punto M se mueve, los puntos e1 y e2 quedan fijos. Son los epi-
polos. El hecho de que un punto en el suelo y los dos centros ópticos pertenezcan
al plano epipolar implica que para un punto dado sobre una imagen, el punto
que le corresponde sobre la otra imagen pertenece a la línea epipolar, y por tanto
se conoce su posición. La identificación de los puntos homólogos es entonces
facilitada porque el espacio de búsqueda es restringido a las líneas epipolares
(Delorme, 2009).
10 Imagen Epipolar es imagen que posee la misma orientación de la imagen de referencia del
par estéreo, con el propósito de eliminar el paralaje en Y. La obtención de la imagen epipolar
es necesaria para permitir la observación estereoscópica. Una rectificación correcta del par
estéreo realiza un remuestreo de la imagen para llevar a cabo esta orientación.
Figura 6. La geometría epi-

polar (la figura proviene del
sitio web http://www.ai.sri.
e1 e2 C2 com/~luong/research/Me-
C1
ta3DViewer/EpipolarGeo.
m html).
m
Para determinar el nivel de detalle del MDE para la simulación se utilizó

una pirámide de imágenes para hacer corresponder las imágenes de pares este-
reoscópicos entre ellas. Los niveles van de 1 (mínimo) a N (máximo), donde N
es determinado por el tamaño de la imagen epipolar. Si el nivel 1 es escogido,
la correspondencia entre las imágenes está establecida a partir de la imagen más
degradada en resolución. Si el nivel N es escogido, es establecida a partir de la
imagen de resolución más alta y posible (la resolución de la imagen epipolar). Este
parámetro es muy importante para determinar la precisión del MDE.
Una vez generado el MDE final se obtuvo el mapa de pendientes, el cual
resaltó la geometría de la cicatriz de arranque del material y la morfología del
depósito. Se comparó toda la información proveniente de las imágenes y del MDE
y las observaciones hechas en el terreno. Concluyendo que la resolución de 5 m
de tamaño de píxel era la que daba una información más cercana a la realidad
sobre el talud gravitacional.
En este caso, para este trabajo se creó un MDE de 4 bytes con una precisión
isométrica en decímetros y una resolución horizontal del tamaño del píxel de
5 m; la altura mínima es de 3 600 decímetros, es decir 360 msnm y la altura
máxima de 21 200 decímetros (2 120 msnm); para poder visualizarlo se utilizó
el software TLALOC (Parrot, 2006).
Las bases del algoritmo Simdesl_v3.exe (Parrot, 2009) son las siguientes. El
algoritmo utiliza este MDE de 5 m resolución. En primer lugar se traza una más-
cara (imagen binaria) que abarque la zona de prueba, es decir, desde el escarpe
principal de desprendimiento de la masa rocosa hasta el frente del lóbulo o zona
de depósito. En segundo lugar, se toman de apoyo las dos extremidades del escar-
pe principal para que el algoritmo dibuje la cuerda de esta zona semicircular. Un
cálculo baricéntrico permite entonces calcular en esta zona semicircular la altitud

de cada uno de los píxeles que la definen (Figuras 7 y 8).
El cálculo del plano de deslizamiento cuya tasa de concavidad la define el
usuario, reposa sobre la definición de una curva logarítmica que une el centro de
la cuerda ya mencionada (punto c) y un punto ubicado al frente del lóbulo (punto
e); esta curva pasa por el punto más bajo del plano de deslizamiento (punto d).
De cada lado de esta curva se aplica un proceso similar a cada uno de los
píxeles de dicha curva, para así esbozar una imagen de la forma final, cuya pro-
fundidad depende de la tasa mínima de concavidad y de la altitud estimada a
partir de las observaciones hechas en el terreno (Figura 7).
En esta etapa es posible calcular los volúmenes; así como la altura máxima
de los depósitos o de la zona colapsada. El volumen de la zona de arrastre es igual
a la diferencia entre el MDE reconstituido y el MDE original, sea Va = MDEr –
MDEo. Es decir, que se calcula esta diferencia, cuando la altitud del MDE reconsti-
Figura 7. Esquema general

cicatriz
indicando los puntos princi-
Centro
pales de apoyo para la simu-
Cuerda de la
cuerda
lación. A. Máscara vista en
c
a b plano y B. Perfil siguiendo el
eje principal. Posición de los
puntos.
Máscara a y b = extremidades de la cicatriz
Eje principal
Cálculo baricentrico
Interpolación lorarítmica
Punto bajo
del eje
d principal
e
Salida de la máscara B
del eje principal
Centro de la cuerda
Eje principal (curva logarítmica)
Punto de la salida del eje principal
e
d
Punto bajo del eje principal

pequeña escarpe
falla terraza principal
hueco
Límite de la
zona de
simulación
o
máscara escarpe
secundario
superficie
de ruptura
extremidad
masa desplazada
(convexa)
A B
cuerda
eje central
C D
E F
Figura 8. Etapas de la simulación con el algoritmo Simdesl.V3. A. Límite de la zona de re-

constitución del talud gravitacional reportado sobre el estampado del MDE. B. Bloque 3D del
relieve actual. C. Reconstitución de la vertiente y del eje central del plano de deslizamiento
cóncavo. D. Reconstitución de la mitad de la zona cóncava. E. Reconstitución de la zona
antes del deslizamiento (fuerte concavidad fuerte). F. Reconstitución de la zona antes del
deslizamiento (poca concavidad).
tuido es más fuerte que el MDE original. Sin embargo, cuando la altitud del MDE
reconstituido es inferior que la altitud del MDE original, el volumen obtenido por
diferencia corresponde al volumen de los depósitos, sea Vd = MDEo – MDEr.
Por último, existe un tercer volumen, el cual corresponde al resultado de la
erosión del depósito. En este caso, todo valor de la diferencia entre MDEr y MDEo
calculado en las zonas cuya altitud es inferior al punto bajo Pb del plano de
deslizamiento, corresponde al volumen del material erosionado. sea Ve = MDEr –
MDEo, si la altitud del MDEr es inferior a Pb.
Los depósitos del deslizamiento rocoso se observan en ambos lados del curso
actual del río Apulco; por esta razón se pudo suponer que se formó un lago tem-
poral o presa río arriba (Figura 9), como el que se produjo en San Luis de Grijalva
(Chiapas, México) en noviembre de 2007 (Domínguez, 2008).
En el caso de los movimientos rápidos y en función de la morfología del
terreno, no es raro que las avalanchas rocosas atraviesen ríos y creen lagos de
barrera, como en el caso del avalancha rocosa de Muztagata, al este de Pamir o
como los gigantescos deslizamientos que se desencadenan en las vertientes de los
Himalayas en donde los frentes del lóbulo crean una barrera formando grandes
lagos temporales (Fort y Peulvast, 1995).
Los resultados obtenidos son los siguientes (Figura 10). El volumen des-
plazado en la zona del deslizamiento es igual a 0.153469 km3 y el de la zona de
acumulación representa 0.151967 km3; conviene aclarar que el depósito gravita-
cional está frecuentemente afectado por procesos de remoción en masa, los cuales
están sobre todo relacionados con el socavamiento del río Apulco y a su vez este
fenómeno va exponiendo las formaciones de ignimbritas subyacentes.
De hecho, el fondo actual del valle se encuentra a 760 m y la base de la
colada se sitúa entre 860 y 880 m; la curva de nivel 880 m ha sido trasladada
Pequeña terraza Escarpe Figura 9. Esquema teórico

principal del depósito gravitacional
ocurrido en el poblado de La
Deposito
Galera.
gravitacional
Lago Form
temporal? Tamá ación
n-Pim
ienta
Río Apulco
Frente
principal
A B
La Galera
Tacopiczacta
Apulco
316
264
211
158
105
52
A B C
0 0.5 1 km 0 0.5 1 km
Figura 10. Resultado de la simulación. A. Espesor de los sedimentos desprendidos, deposi-

tados y erosionados; en la leyenda se presenta la columna de los valores del espesor; en rojo
(A) material desprendido de la vertiente; en verde (B), material depositado; en azul (C), zona
de erosión ligada a la presencia del río Apulco donde se abrió un camino en el talud gravita-
cional; nota: en rojo curva d e nivel 880 m. B. Superposición de la imagen precedente sobre
el MDE.
sobre la imagen de la Figura 10A. El volumen erosionado ha sido estimado en

0.032384 km3, lo que significa que el volumen total de los depósitos sería de
aproximadamente 0.184 km3. Este último valor parece correcto comparado con
el valor desplazado de 0.153469 km3 porque los depósitos de deslizamientos ro-
cosos presentan generalmente un débil grado de compactación. Por otro lado, la
altura máxima registrada en la zona de deslizamiento es de 316 m, mientras que
en la zona de acumulación, fue de tan solo 169 m.
Conclusión
Estas simulaciones permiten entender mejor las relaciones observadas en el te-

rreno entre las zonas de arrastre y las zonas de acumulación, para así definir de
manera más precisa los volúmenes respectivos de cada una de estas zonas y poder
establecer un balance.
El algoritmo se adapta para estudiar otros casos de procesos de remoción en
masa, ya que el punto bajo del eje principal o curva algorítmica se puede modi-
ficar tanto en profundidad como en posición sobre el eje principal. También, el
algoritmo se puede adaptar al inverso para simular un proceso de remoción en
masa, a partir de una ladera considerada como inestable y ver cuál sería la forma
del relieve resultante.
Los datos de satélites son una poderosa herramienta para monitorear los
fenómenos naturales, ya que pueden identificar las zonas afectadas en este caso
por los procesos de remoción en masa; y si aunamos la información provenien-
te de los modelos digitales de elevación, así como las diferentes simulaciones y
reconstrucciones sobre los PRM, se puede ayudar a reconstruir el sitio afectado,
actualizar la cartografía, producir mapas de la dinámica del relieve, calcular los
daños socioeconómicos y del paisaje del sitio. También, este tipo de estudios
pueden ayudar en otras disciplinas, por ejemplo en arqueología, en el recono-
cimiento de zonas arqueológicas, producciones de mapas topográficos de estos
sitios, las relaciones entre la evaluación de espacios y otras actividades culturales
o las características del ambiente, para la reconstrucción y la cartografía de los
paleo-paisajes.
Capítulo 9. Análisis de cambios con fotografías aéreas
digitales e imágenes de satélite Spot5 en la Reserva
de la Biósfera Mariposa Monarca
Introducción
A raíz de la ampliación y recategorización como Reserva de la Biósfera Mariposa

Monarca (RBMM) del año 2000 (Brower et al., 2002), en esta Área Natural Prote-
gida se han elaborado estudios de cambio en la densidad de cobertura forestal por
la World Widelife Fund (WWF, por sus siglas en inglés), utilizando fotografías aé-
reas digitales, usando técnicas de fotointerpretación y transfiriendo los polígonos
resultantes en un ambiente de SIG, los datos reportados han evidenciado que se
trata de cambios en la densidad de la cobertura forestal y no cambios en el uso del
suelo, por lo que se ha creado una metodología para realizar estas evaluaciones
de densidad de cobertura forestal, aplicable al uso de fotografías aéreas digitales
(López, 2009).
La principal problemática con este método es la realización del levantamien-
to aéreo, debido a que en México no se dispone de aviones que reúnan las carac-
terísticas necesarias y disposición de un piloto para llevar a cabo éstos, así como
las condiciones meteorológicas adversas que se presentan en febrero y marzo,
aunado a los trámites administrativos que hay que sortear para que el INEGI dé la
autorización; lo difícil es hacer coincidir estos tres aspectos (López, 2007). Esto
ha motivado, como alternativa, el análisis de cambio con el apoyo de imágenes de
satélite Spot5, dando resultados poco satisfactorios (López, 2006). Aunque el uso
de imágenes de satélite para el monitoreo de la deforestación y la determinación
del uso del suelo, constituye en la actualidad un aporte fundamental al permitir
acercar los resultados a la realidad con mucha precisión y certeza, en función a
un tratamiento adecuado de las imágenes satelitales (Jensen, 2007). Pero cuando
se requiere mayor precisión, y bajo costo, es recomendable el uso de fotografías
218 . José López García
aéreas de alta resolución, que permiten obtener resultados muy confiables (López,
2009).
La enorme desventaja del uso de imágenes para detectar cambios en un aná-
lisis bi-temporal, es que requiere de ciertas condiciones en la adquisición de éstas
lo que difícilmente se logra, y solo así se podría garantizar un coregistro de imá-
genes, como son el ángulo de toma de la imagen, paso del satélite y hora de toma
(López, 2007).
El objetivo es determinar el cambio en la densidad de cobertura forestal,
bajo una metodología híbrida, que complemente el uso de fotografías aéreas digi-
tales e imágenes Spot5, para realizar el análisis de cambios (2006-2007).
Metodología
Para desarrollar esta metodología híbrida se dio particular importancia al pre-

procesamiento y procesamiento. Se logró una resolución de 2.5 m al remuestrear
la imagen en color de 10 m con la pancromática de 2.5 m. Con base en lo anterior
y después de hacer varias pruebas, se llegó a establecer una metodología para este
análisis, la cual se basó en el uso de un mosaico ortocorregido, elaborado con
fotografías aéreas digitales del 2006 y la imagen Spot5 de 2007, utilizando un
método de comparación visual y digitización en pantalla sobre el mosaico orto-
corregido de 2006.
Se realizó un análisis comparativo visual de fotografías aéreas digitales de
2006, con apoyo de un mosaico ortocorregido de 2006 e imágenes Spot5
de 2007, para determinar cambios en la densidad de cobertura forestal en ese pe-
riodo. Se definió el uso de la Proyección Universal Tranversa de Mercator (UTM),
con el Elipsoide Clarke 1866 y Datum NAD 27 y unidades en metros.
El levantamiento aéreo de 2006 cubre aproximadamente 600 km2, con 650
fotografías aéreas digitales en color, distribuidas en 17 líneas de vuelo, con una
sobreposición lateral de 30% y una sobreposición longitudinal de 60% y 0.4 4
m/píxel. Las fotografías fueron impresas a escala 1:10 000, en papel opalina a
tamaño carta. Para su interpretación y preparación se utilizaron las técnicas con-
vencionales de fotointerpretación. La separación de la densidad de cobertura fo-
restal se realizó con base en una leyenda de cinco clases, en donde se combinaron
algunos criterios de FRA (2005), considerando como deforestado la superficies
con menos de 10% de árboles (Tabla 1). La densidad de cobertura forestal menor
al 10% es considerada como deforestada (Ibid.), las clases de cobertura fueron
validadas con base en muestreos de campo.
Análisis de cambios con fotografías aéreas digitales e imágenes de satélite Spot5 en la… . 219
Tabla 1. Densidades de la cobertura forestal
Clave Cobertura Densidad %

1 Cerrada > 75
2 Semicerrada 50 – 75
3 Semiabierta 25 – 50
4 Abierta 10 – 25
5 Deforestado < 10
Una vez terminada la fotointerpretación se procede a la verificación de cam-

po de cada una de las unidades, haciendo muestreos para conocer el número de
árboles, diámetro y altura, lo que permitió establecer los intervalos del número
de árboles para cada una de las densidades de cobertura. Se realizaron muestreos
circulares de 1 000 m2. Se consideró un área mínima cartografiable de 500 m2,
lo que representa unos 30 árboles de cobertura cerrada, con diámetro y altura
promedio 0.3 y 26 m, respectivamente.
Considerando que la detección de cambios requiere de la diferenciación de
cambios de la densidad en la cobertura forestal, se hace necesario trabajar a es-
calas mayores a 1:10 000, por lo que se trabajó a una escala estándar de 1:5 000
en formato digital.
Para la imagen Spot5 de 2007 se hizo la corrección geométrica mediante el
ajuste de puntos de control a las imágenes con referencia en las ortofotos de 1994
(a 1 m/píxel), del INEGI (1994). Fue necesario utilizar tres escenas de las imáge-
nes Spot5, dos del 11 de abril del 2007 y una del 28 de diciembre de 2006 (para
cubrir un 10% del área), en formato multi-espectral y pancromático.11
Para hacer más fácil el análisis comparativo se elaboró un mosaico ortoco-
rregido en Erdas Imagine™, a partir de fotografías aéreas digitales tomadas el 2 y
3 de marzo de 2006, obteniendo una resolución espacial de 1 m/píxel. Se realiza-
ron correcciones radiométricas para mejorar las variaciones de iluminación de las
escenas, la geometría de observación de los satélites, las condiciones atmosféricas,
la respuesta del sensor y efectos de ruido.
Para mejorar la precisión que presentaba la imagen en formato numérico,
por anomalías en la localización de los píxeles y en los niveles digitales que com-
ponen la matriz de datos, se convirtieron los ND (niveles digitales) a radiancia
11Las escenas Spot5 tienen una cobertura de 60 x 60 km, capturan información en cuatro
bandas, tres multiespectrales XS1, XS2, XS3 de 10 m de resolución espacial por píxel, y una
banda pancromática a 2.5 m de resolución por píxel.
y reflectancia, para de este modo, comprender mejor la información contenida

(Richards y Jia, 2006).
La conversión de ND a radiancia espectral se realizó calibrando:
Lmax l L
Gain = – min l .
254 255
La conversión de la radiancia espectral a reflectancia, se utilizó:
πLld2
ρ= ,
ESUN l cos(SZ)
donde:
d2: es el cuadrado de la distancia del Sol a la Tierra en unidades astronómi-

cas. (aprox. 1 UA)
d2 = (1–0.01674cos(0.9856(JD–4)))2 donde JD es el día juliano.
Ll : es la radiancia espectral de cada banda a su longitud de onda l

–2
(mWcm ster –1µm –1).
–2
ESUN l : irradiancia solar media en mWcm µm –1 fuera de la atmósfera.
SZ : es el ángulo cenital solar en radianes, considerando, θe que es el ángulo

de elevación de adquisición de la imagen.
Para atenuar la bruma y niebla contenida en las imágenes, se procedió a

ejecutar la corrección atmosférica, se evaluó de acuerdo con histogramas y se
aplicaron realces de contraste, debido a efectos atmosféricos y ángulo de toma.
Se usó Erdas Imagine™ para el tratamiento de imágenes, se fusionaron las
bandas multiespectrales XS e infrarrojo con la banda pancromática, obteniendo
así la mejora espacial en las imágenes (Figura 1).
Para mejorar la calidad de las imágenes se empleó un filtraje, aplicando la
Trasformada de Fourier, considerada útil por el número de operaciones que se
realizan tanto para transformar como para reconstruir las señales en cuestión; y
está definido por:
Figura 1. Derecha, imagen multi-espectral a 10 m/píxel; izquierda, imagen multi-espectral

mejorada a 2.5 m/píxel.
N–1
X(j) = ∑ x(k)e –2πijk / N
k=0
1 N–1
x(k) = N ∑ X(j)e2πijk / N
j=0
donde x(k), para k = 0,…,N-1, es la señal de entrada; y X(j), para j = 0,…,N-

1, es la transformada de x(k), siendo N la longitud de la señal (Figura 2).
El proceso metodológico consistió en la comparación visual para la separa-

ción de unidades de cambio, al comparar en una computadora personal provista
Figura 2. Aplicación de la Trasformada rápida de Fourier (izquierda, imagen original, dere-

cha imagen después de la aplicación de la Transformada).
de dos monitores, por un lado un ortomosaico de 2006 y por otro una imagen
Spot5 de 2007 (Figura 3), para lo cual fue necesario crear una máscara de los
polígonos de la Reserva. La comparación se realizó a escala 1:5 000, los cambios
se fueron digitalizando en pantalla, mediante restitución por triangulación, so-
bre el mosaico ortocorregido, con apoyo de ERDAS y usando una retícula, lo que
permitió el análisis comparativo por cuadrantes (1 km2), ordenado de izquierda
a derecha y de arriba hacia abajo, a una escala estándar de 1:5 000, modificando
el mapa base de densidad de coberturas forestales de 2006 elaborado por fotoin-
terpretación.
Los polígonos de cambio al ser digitizados sobre la cobertura 2006, solo
permiten modificar los cambios, convirtiendo el mapa a densidades de cober-
turas forestales 2007. La simple resta de ambos mapas (2007-2006), resulta en
los polígonos de cambio en este periodo, que fueron verificados en recorridos de
campo, realizando las modificaciones pertinentes.
IMAGEN SPOT3 3m/pixel

11/04/2007
ANÁLISIS ANÁLISIS
COMPARATIVO COMPARATIVO
VISUAL IDENTIFICACIÓN VISUAL
DE CAMBIOS DE
03/03/2006 03/03/2006
DENSIDAD
DE COBERTURA
FORESTAL 2006-2007
ANÁLISIS
COMPARATIVO
VISUAL
MOSAICO ORTOCORREGIDO FOTOGRAFÍA AÉREA DIGITAL

1m/pixel 0.4m/pixel
Figura 3. Esquema metodológico de identificación de cambios 2006-2007.

Resultados
El primer resultado es el aporte metodológico que combina fotografías aéreas di-

gitales (mosaico ortocorregido) e imágenes de satélite Spot5 para realizar estudios
bi-temporales, por medio de comparación visual para determinar cambios en la
densidad de cobertura forestal.
La comparación visual del mosaico 2006 y la imagen 2007 (Figura 4), per-
mitió la separación de las zonas de cambios entre este periodo, con apoyo del
mapa de densidad de coberturas forestales de 2006 elaborado por fotointerpreta-
ción. Los recorridos de campo permitieron la validación de los cambios de densi-
dad de cobertura forestal, donde la comparación visual resultó ser el método con
mayor certeza y confiabilidad, con valores de confianza muy altos.
El mapa de densidad de coberturas forestales 2006, es producto de interpre-
tación de fotografías aéreas digitales, con técnicas convencionales de fotograme-
tría y fotointerpretación. El resultado de la comparación visual del mosaico orto-
corregido de 2006 y las imágenes Spot5 2007, así como el auxilio de fotografías
aéreas digitales de 2006, permitió determinar los cambios en este periodo y la
elaboración del mapa de densidad de cobertura forestal 2007 (Figura 5).
El análisis bi-temporal permitió obtener una matriz de cambios de densidad
de cobertura forestal entre 2006 y 2007 (Tabla 2), siendo nulos los cambios de
uso del suelo.
Figura 4. Comparación del mosaico 2006 y la imagen Spot5 2007.

350,000 360,000 370,000 380,000 Figura 5. Localización de los

380,000
cambios 2006-2007 en la
RBMM.
2,180,000
2,180,000
2,210,000
2,210,000
380,000
2,170,000
2,170,000
2,160,000
2,160,000
Michoacán
2,150,000
2,150,000
Estado de
México
Leyenda
2,140,000
2,140,000
Zona de Amortiguamiento
Zona Núcleo
Tenencia de la Tierra
Cambios 2006-2007
350,000 360,000 370,000 380,000
Tabla 2. Matriz de cambios en la RBMM

Superficie de cambio 2006 - 2007 (ha)
Cobertura Cerrada Semicerrada Semiabierta Abierta Deforestado Total 2007
Cerrada 5.01 62.30 55.33 82.55 205.19
Semicerrada 9.48 15.48 29.76 54.72
Semiabierta 30.63 18.74 49.37
Abierta 37.83 37.83
Deforestado
Total 2006 5.01 71.78 101.44 168.90 347.12
El análisis reportó el cambio en la densidad de cobertura forestal en

347.12 ha de bosques, siendo más intensa en la zona núcleo con 252.60 ha
(72.77%), por tala clandestina, con respecto a la zona de amortiguamiento con
94.53 ha (27.23%). Algunos tenían permisos de aprovechamiento, pero otros en

colindancia con los ejidos de Crescencio Morales y Nicolás Romero, sufrieron
tala clandestina, por la cercanía. Las coberturas cerradas y semicerradas fueron
las más afectadas con 259.91 ha (Tabla 3).
De los cambios detectados y analizados por predio (Tabla 4), el 96.47% se
refieren a dos, al ejido Crescencio Morales y un 5.01% al Ejido Nicolás Romero.
Éstos no participaban en ese momento del Pago por Servicios Ambientales y
había un litigio entre el ejido y la comunidad, lo que motivó la tala clandestina
en esa zona, afectando a los ejidos colindantes. Son las zonas más problemáticas
y que tienen acceso a la carretera México-Morelia y son considerados como zonas
de tala ilegal, lo cual ha estado creando conflictos en la región.
La zona núcleo sufrió una deforestación en 132.47 ha (52.44%) y degrada-
ción forestal de 120.12 ha (47.55%) y, dando un total de área dañada de 252.60 ha
en el periodo 2006-2007. Considerando los porcentajes de cada categoría se pue-
de decir que la zona fue afectada severamente ya que el 84.64% fue una altera-
Tabla 3. Superficie y porcentaje de cambios por zona en la RBMM
Cambios de cobertura forestal 2006-2007 en la RBMM

Densidad de Amortiguamiento Núcleo Total
cobertura ha % Rel. ha % Rel. Ha % Abs.
Cerrada 60.11 63.59 145.08 57.44 205.19 59.11
Semicerrada 6.19 6.55 48.54 19.21 54.72 15.76
Semiabierta 11.51 12.17 37.87 14.99 49.37 14.22
Abierta 16.72 17.69 21.11 8.36 37.83 10.90
Total 94.53 100.00 252.60 100.00 347.12 100.00
Tabla 4. Predios con afectación en la zona núcleo
Alteración en zona núcleo

Predios ha %
Crescencio Morales 231.02 91.46
Nicolás Romero 2 12.67 5.01
Litigio1 5.65 2.24
Ocho predios con superficie < 1 ha 3.26 1.29
Total 252.60 100.00
ción a superficies abiertas y deforestadas, esto es a coberturas por debajo de 25%

(Tabla 5).
En el caso de la zona de amortiguamiento, la degradación forestal (61.47%),
son cambios originados por aprovechamiento forestal autorizado y considerados
como manejo forestal y la deforestación en su totalidad se trata de tala clandes-
tina (Tabla 6 y Figura 6). Todos los cambios fueron constatados en campo, por
lo que la certeza es de un 100%, siendo diferentes las causas de la afectación; en
algunos casos por condiciones naturales.
Tabla 5. Deforestación y degradación forestal en zona núcleo
Núcleo Cambio 2006-2007 ha % Total

Cerrada - Deforestado 73.02 28.91
Semicerrada - Deforestado 26.01 10.30 132.47 ha
Deforestación
Semiabierta - Deforestado 12.34 4.88 52.44%
Abierta - Deforestado 21.11 8.36
Cerrada - Abierta 42.53 16.84
Degradación Semiabierta - Abierta 38.78 15.35 120.12 ha
forestal Semicerrada - Semiabierta 33.80 13.38 47.55%
Cerrada - Semicerrada 5.01 1.98
Total 252.60
Tabla 6. Deforestación y degradación forestal en zona de amortiguamiento
Amortiguamiento Cambio 2006-2007 ha % Total

Cerrada - Deforestado 9.54 10.09
Semicerrada - Deforestado 3.76 3.97 36.42 ha
Deforestación
Semiabierta - Deforestado 6.41 6.78 38.53%
Abierta - Deforestado 16.72 17.69
Cerrada - Abierta 12.8 13.54
Semiabierta - Abierta 7.33 7.75 58.10 ha
Degradación forestal
Semicerrada - Semiabierta 0.2 0.21 61.47%
Cerrada - Semiabierta 37.78 39.96
Total 94.54 100%
Figura 6. Aprovechamiento forestal en el ejido El Paso en zona de amortiguamiento. Izquier-

da Mosaico 2006 y derecha imagen Spot5 2007.
El ejido El Paso tuvo una superficie de 37.02 ha de aprovechamiento autori-

zado y pasó de coberturas cerradas a semiabiertas y abiertas, en menor medida de
semicerrada a semiabiertas (Tabla 6 y Figura 6).
Los predios con mayores cambios fueron aprovechamientos autorizados por
79.71 ha, equivalente a 84.32%, el resto son considerados como tala ilegal (Tabla
7).
En la Figura 6 se puede apreciar la disminución en la cobertura forestal, se
evidencia inequívocamente el cambio en la densidad del arbolado, al pasar de
cobertura cerrada a coberturas semiabiertas, en una superficie de 35.42 ha. El
trabajo de campo constató el cambio, pero se trata de una zona de aprovecha-
miento autorizado en la zona de amortiguamiento.
Tabla 7. Predios en zona de amortiguamiento que sufrieron cambios de cobertura
Cambios en zona de amortiguamiento

Predios ha %
El Paso 37.02 39.16
El Depósito 24.98 26.43
Propiedad Privada 3 17.71 18.73
Crescencio Morales 7.18 7.59
Rondilla 2.46 2.60
Predios con superficie < 1.25 ha 5.15 5.45
Total 94.53 100.00
Por otro lado, los cambios detectados en la Propiedad Privada 3 son peque-
ños y se distribuyen en dos porciones del predio, algunos de ellos son resultado
de plagas y árboles muertos; para 2007 aparece sin arbolado, o al menos eso se
aprecia en la imagen Spot5 (Figura 7).
La zona montañosa de Crescencio Morales es una de las más húmedas de la
región y por tanto se forma alta nubosidad y en la imagen Spot5 de 2007 se apre-
cia niebla y bruma, lo que dificulta la interpretación, pero para esta parte se contó
con fotografías aéreas digitales de abril de 2007, y apoyados con la imagen Spot5
de abril de 2007, se logró hacer la separación de las áreas afectadas. Para esta zona
se utilizó interpretación comparativa de fotografías aéreas digitales de 2006 y
2007, lo que permitió afinar esta separación de cambios. Se evidencia el cambio
en el paisaje (Figuras 8 y 9).
Se comprobó que hay gran alteración de las laderas que han sido deforesta-
das, con presencia de procesos de erosivos e inestabilidad de laderas que los hacen
susceptibles a la formación de flujos de lodo bajo condiciones meteorológicas
extremas que, de continuar así, ponen en peligro a los asentamientos ubicados
en la parte baja. Es una zona de fuertes pendientes afectada frecuentemente por
incendios forestales.
Figura 7. Cambios de coberturas cerradas a deforestada. Izquierda mosaico 2006 y derecha

imagen Spot5 de 2007.
Figura 8. Comparación de fotografías 2006 y 2007, en Crescencio Morales.
Figura 9. Comparación aerofotográfica en el ejido Crescencio Morales.

Conclusión
La comparación de la imagen Spot5 de 2007 con el mosaico aerofotográfico de

2006 permitió establecer una metodología sólida para la separación y cuantifica-
ción de cambios en densidad de cobertura forestal utilizando fotografías aéreas
digitales e imágenes de satélite. Este tratamiento de la información logró con
buena precisión la identificación de cambios por deforestación y perturbación
forestal.
La contribución fundamental es el análisis visual combinado con imágenes
Spot5/2007 llevada a 2.5 m/píxel y un mosaico aerofotográfico 2006, a 1 m/
píxel, coadyuvaron a obtener resultados satisfactorios en la separación e identifi-
car los cambios de perturbación forestal y deforestación.
Agradecimientos
Este trabajo recibió apoyo PAPIIT (IN305707), dentro del proyecto Evaluación
del cambio de cobertura forestal bianual con fotografías aéreas digitales en la
Reserva de la Biósfera Mariposa Monarca.
Capítulo 10. Ajustes del algoritmo AQM2008
para identificación de áreas quemadas usando
imágenes MODIS
Lilia Manzo Delgado
Introducción
Cada año se queman extensas superficies agrícolas, pecuarias y forestales indu-

ciendo cambios en la calidad del aire, la cobertura vegetal y la erosión del suelo.
Después de la catastrófica temporada de incendios 1997-1998 en México, al igual
que en otros países, se reforzaron los programas de prevención y detección de
incendios utilizando diversas técnicas de percepción remota (PR), imágenes de sa-
télite y sistemas de información geográfica (SIG). Estos avances han sido de gran
utilidad para las brigadas que combaten, controlan y registran estos eventos; lo-
grando complementar los reportes con información referente a la ubicación del
evento, además de las fechas de inicio y terminación. Por otra parte, las insti-
tuciones responsables del monitoreo de incendios presentan informes diarios,
semanales o mensuales del número de incendios detectados.
Actualmente se considera que los avances logrados en materia de incendios
han sido muy buenos; sin embargo, es necesario abordar otros temas de gran re-
levancia, entre los que destacan la identificación y cartografía de superficies afec-
tadas por el fuego, logrando con ello conocer el patrón de distribución espacial y
temporal de estos eventos en diversas escalas geográficas ya sea local o global. Un
estudio de tal magnitud requiere sin duda el apoyo de diversas técnicas de PR e
imágenes de satélite. La cartografía de superficies quemadas constituye una base
sólida para evaluar los cambios ocasionados por el fuego sobre la vegetación, los
suelos y la atmósfera, además de constituir un apoyo importante para desarrollar
programas de reforestación y recuperación de este tipo de superficies.
A finales de 2004 se formó la Red Latinoamericana de Teledetección de
Incendios Forestales (RedLatif) con apoyo del programa internacional GOFC-
232 . Lilia Manzo Delgado
GOLD, teniendo como objetivo inicial cartografiar las superficies quemadas de

gran extensión ocurridas en 2004, desde México hasta la Patagonia en Argenti-
na, utilizando los compuestos MODIS de 32 días de reflectancia de la superficie,
logrando construir el algoritmo AQL2004, mediante el cual se obtuvo informa-
ción relevante a escala regional y nacional (Chuvieco et al., 2008). En la actua-
lidad RedLatif, en el marco del proyecto Red Latinoamericana de Seguimiento
y Estudios de los Recursos Naturales (SERENA) se ha propuesto desarrollar un
algoritmo que permita evaluar sistemáticamente las áreas quemadas en Latinoa-
mérica, utilizando imágenes MODIS diarias y compuestos de 16 días de reflectan-
cia de la superficie (MCD43B4), tomando como periodo de análisis el año 2008,
Para lograr esto se establecieron las siguientes etapas: a) selección de áreas piloto,
b) aplicación y validación de diferentes algoritmos a escala local, c) análisis com-
parativo entre los algoritmos y d) aplicación y validación regional. En la primera
etapa se eligieron seis Tiles o ventanas MODIS como áreas piloto, las cuales se
ubican en México, Cuba, Colombia, Paraguay, Brasil y Argentina. De manera
particular, el Tile correspondiente a México cubre la región sureste del país y
parte de Centroamérica. Este trabajo expone los avances de la segunda etapa
obtenidos para el área piloto asignada para México.
El objetivo general es proporcionar las bases físicas para identificar y car-
tografiar las superficies quemadas utilizando técnicas de percepción remota e
imágenes de satélite. Así mismo se presentan los avances para desarrollar el algo-
ritmo AQM2008 que discrimina las superficies quemadas en el sureste de México,
tomando como base el algoritmo AQL2004 y que utiliza el producto estándar
MODIS MCD43B4 del periodo 2008, constituyendo un insumo importante para
desarrollar un nuevo algoritmo para Latinoamérica.
Propiedades físicas de las superficies quemadas
Recientemente las superficies quemadas se caracterizan por presentar depósitos

de ceniza y carbón, así como afectaciones estructurales en la vegetación tales
como el chamuscado de troncos, ramas y hojas, por mencionar algunos. La com-
binación de estas características logra que estas superficies se vean diferentes a
su entorno, permitiendo conocer el límite exterior y la superficie afectada por el
fuego. Estos efectos constituyen señales o marcas de incendio, cuya permanencia
es muy variable en el tiempo, dependiendo de las condiciones meteorológicas,
particularmente el viento y la precipitación, así como la capacidad de recupera-
ción de la vegetación (Pereira et al., 1999).
Ajustes del algoritmo AQM2008 para identificación de áreas quemadas... . 233
Aunque la ceniza y el carbón son productos de la combustión vegetal, tienen

un origen diferente (Robinson, 1991). La ceniza se forma a partir de la combus-
tión total de la biomasa, con buen suministro de oxígeno, en incendios de gran
intensidad. El carbón se origina a partir de una combustión poco eficiente, bajo
condiciones restringidas de oxígeno, en un incendio de menor intensidad (Pereira
et al., 1999). Ambas señales tienen una duración relativamente corta que puede
ser atenuada fuertemente por el viento y la lluvia en algunas semanas o meses
después del incendio.
Los cambios en la estructura vegetal modifican la densidad de cobertura,
siendo más evidentes cuando se eliminan los elementos arbóreos o arbustivos. De
manera complementaria, estos cambios son más estables en comparación con la
ceniza y el carbón, permaneciendo de dos a tres semanas en el pastizal tropical y
varios años en el bosque templado. Sin embargo, los cambios en la densidad de
cobertura se consideran menos apropiados para identificar las áreas quemadas
porque su origen puede ser diferente a un incendio, como sucede con los desmon-
tes, pastoreo, ciclones o plagas.
Las propiedades físicas de las superficies quemadas facilitan la discrimina-
ción visual en las imágenes de satélite porque son muy diferentes a su entorno.
En la discriminación de áreas quemadas uno de los procesos básicos es comparar
las superficies antes y después de la temporada de incendios. En este caso, cabe
recordar que el comportamiento espectral de la vegetación está determinado en
gran parte por el estado fenológico de las hojas que forman el dosel, su contenido
de agua y densidad de cobertura. Cuando la vegetación se encuentra en estado
óptimo de crecimiento y sin problemas de estrés, es decir, que está vigorosa y
sana, su característica más sobresaliente es que su reflectancia es baja en la re-
gión del visible (0.4 a 0.7 µm), con un máximo relativo en la porción verde del
espectro (0.55 µm). Por el contrario, en el infrarrojo cercano (0.7 a 1.3 µm) ésta
presenta una reflectancia elevada que se reduce en el infrarrojo medio (1.3 a 2.6
µm). La baja reflectancia en el espectro visible se debe a la absorción de los pig-
mentos fotosintéticos que se encuentran en los cloroplastos: clorofilas, xantofilas
y carotenos. La elevada reflectancia en la región del infrarrojo cercano (0.7 – 1.3
µm) se debe a la estructura del mesófilo (tejido interno de la hoja), que difunde y
dispersa la energía, mientras que las variaciones en la región del infrarrojo medio
son resultado del efecto absorbente del agua.
El comportamiento espectral de las superficies quemadas se caracteriza por
presentar un incremento en la reflectancia de la región visible (0.4 a 0.7 µm), en
combinación con una disminución de ésta en el infrarrojo cercano, incremen-
tándose nuevamente en la región del infrarrojo medio (1.3-8.0 µm) y térmico
(8.0-14.0 µm). Los diversos cambios están relacionados con la interrupción de la

actividad fotosintética, afectación en la estructura interna de las hojas y pérdida
del efecto absorbente del agua. A continuación se describen las características
espectrales de las superficies quemadas en diferentes regiones del espectro elec-
tromagnético (Pereira et al., 1999).
Visible (0.4 – 0.7 µm)

En esta región espectral las superficies quemadas presentan un incremento en la
reflectancia que se debe especialmente a la ausencia de pigmentos fotosintéticos
que puedan absorber la energía en estas longitudes de onda, ocasionando a su
vez el aumento en la reflectancia. Los cambios espectrales antes y después del
incendio constituyen un apoyo importante para discriminar las áreas quemadas.
Sin embargo, los nuevos valores de reflectancia se pueden confundir con otras
superficies terrestres: bosques densos, cuerpos de agua o suelos oscuros. Debido a
ello, esta región se considera limitada para discriminar las superficies quemadas.
Infrarrojo cercano (0.7 – 1.3 µm)

En este intervalo espectral las superficies quemadas son poco reflectivas y pueden
ser discriminadas fácilmente cuando la ignición produce gran cantidad de car-
bón que se deposita en el suelo. En ausencia del fuego, la vegetación es muy re-
flectiva en cualquier estado fenológico, constituyendo un factor de comparación
importante para discriminar las superficies quemadas, el cual puede ser comple-
mentado con los cambios espectrales que ocurren en la región del visible. Así,
una superficie quemada presentará un incremento en la reflectancia del visible
y una disminución en la reflectancia en el infrarrojo cercano. Debido a ello, el
espacio biespectral visible/IRC ha sido utilizado ampliamente para identificar las
superficies quemadas.
Infrarrojo medio (1.3 – 8.0 µm)

En estas longitudes de onda las superficies quemadas son muy reflectivas, lo cual
se atribuye a la pérdida de agua en los tejidos de las plantas. Esta respuesta se pue-
de considerar semejante a la que se presenta en la región del visible; sin embargo,
el incremento es mayor en el infrarrojo medio (IRM). Debido a estas diferen-
cias se ha considerado que el espacio biespectral IRC/IRM es más apropiado para
discriminar las áreas quemadas en comparación con el visible/NIR mencionado
anteriormente. En complemento, la región del IRM también se considera impor-
tante para evaluar la variabilidad interna de las áreas quemadas y la severidad del
incendio.
Infrarrojo térmico (8.0 – 14.0 µm)

En este intervalo espectral las superficies quemadas incrementan la temperatura
superficial. Esto se debe a que la apertura del dosel favorece una mayor entrada
de energía, así como a la reducción del efecto aislante de la capa de hojarasca y la
disminución del agua en la parte superficial del suelo. Sin embargo, cuando las
diferencias son pequeñas (< 5° C) es muy difícil discriminar las superficies que-
madas. Así mismo, la señal térmica desaparece muy pronto, especialmente cuan-
do la vegetación comienza a surgir. A pesar de sus limitaciones, estas respuestas,
junto con las del infrarrojo medio, han sido consideradas de gran importancia
para desarrollar un indicador para discriminar las áreas quemadas.
Discriminación de las superficies quemadas
La información espectral que se registra en las imágenes captadas por diversos

sensores a bordo de los satélites, ha permitido desarrollar varias técnicas que faci-
litan la identificación y cartografía de áreas quemadas. Estas técnicas se apoyan
principalmente en la utilización del índice de vegetación y la temperatura de la
superficie terrestre, los cuales presentan valores diferentes antes y después del
incendio. En ambos casos, la definición de la magnitud del cambio espectral
juega un papel determinante para identificar un área quemada. Por ejemplo, las
superficies que presentan un decremento en el índice de vegetación NDVI han
sido consideradas como áreas quemadas. Dichas áreas también han sido discri-
minadas cuando la reflectancia en el infrarrojo de onda corta disminuye, con un
incremento simultáneo en la temperatura de brillo (Eva y Lambin, 1998). Así
mismo, la combinación de los cambios simultáneos en la temperatura de brillo y
el NDVI ha mejorado la identificación de áreas quemadas.
En los casos mencionados anteriormente la definición de un umbral espec-
tral asociado a la superficie quemada juega un papel importante. Sin embargo,
son derivados empíricamente examinando otros datos de PR; por ejemplo, aná-
lisis comparativo entre imágenes antes y después de la temporada de incendios;
utilizando la detección de incendios activos. Mientras que estos procesos propor-
cionan información útil de los cambios entre áreas quemadas y no quemadas, su
precisión está limitada a las características particulares del tipo de vegetación.
Debido a ello, pueden fallar al aplicarse en regiones con una cobertura vegetal
diferente. Así mismo, su capacidad es muy específica y difícilmente se podría
combinar la información con otros sensores (Roy et al., 2002).
Como se mencionó anteriormente, la gran diversidad de vegetación ha dificul-

tado la creación de un procedimiento estándar que asegure una aplicación confia-
ble bajo diferentes condiciones ambientales. Para desarrollar un algoritmo que sea
capaz de discriminar las áreas quemadas hay que considerar los siguientes aspectos:
- Características del incendio incluyendo tamaño, severidad, fechas de

inicio – terminación y ubicación geográfica.
- Condiciones ambientales del área quemada en el contexto regional in-
cluyendo formas del relieve, tipo de vegetación y condiciones climáticas.
- Imágenes de satélite disponibles considerando su resolución temporal,
espacial y espectral.
- Objetivos específicos del estudio, tales como delimitación del perímetro,
evaluación de grados de afectación y escala geográfica, entre otros.
Los métodos para discriminar las superficies quemadas se dividen en dos

grandes grupos: multitemporales y post-incendio. En el primer caso el método
se basa en la detección de cambios ocasionados por el incendio; debido a ello es
necesario contar con imágenes antes y después del incendio. La siguiente técnica
se basa esencialmente en el comportamiento espectral de la superficie quemada,
la cual identifica en comparación con otras cobertura presentes; este proceso
requiere solo una imagen. Se ha demostrado que los métodos multitemporales
son más efectivos que los post-incendio porque disminuyen la confusión entre
coberturas similares (Pereira et al., 1999). Sin embargo, la utilización de una
imagen post-incendio requiere un menor costo y tiempo para procesar la infor-
mación. Así mismo, uno de los aspectos más críticos en el proceso multitemporal
son los ajustes radiométricos y geométricos, requeridos para igualar la respuesta
espectral y espacial de las imágenes utilizadas. La carencia de estos ajustes puede
generar errores de subestimación o sobrestimación de las áreas quemadas.
Existen diversas técnicas para discriminar las superficies quemadas: índices
de vegetación NDVI, análisis de componentes principales, clasificación supervi-
sada, diferencia de imágenes y análisis de series de tiempo, entre otros. Se ha
demostrado que los índices de áreas quemadas Normal Burn Ratio (NBR; López
y Caselles, 1991) y Burned Area Index (BAI; Martín et al., 2005) presentan una
mayor capacidad para discriminar superficies quemadas.
Sensores utilizados
Actualmente se encuentra en órbita un buen número de satélites que ofrecen una
gama de productos para detectar las áreas quemadas. Por lo que respecta a los
sensores de mediana resolución espacial, el Moderate Resolution Imaging Spec-

trometer (MODIS) ha incrementado notablemente su aplicación en la detección
y cartografía de superficies quemadas en los últimos años, siendo cada vez más
los trabajos de investigación en este campo. Su buena resolución espectral, junto
a la adecuada resolución temporal y al tamaño del píxel, convierten a MODIS en
el sensor más utilizado para analizar fenómenos dinámicos a escala media. De
manera complementaria, las imágenes de alta resolución espacial, como Landsat
y SPOT, han constituido un apoyo importante para validar, evaluar y describir
las áreas quemadas.
Estudio de caso en el sureste de México
Área en estudio
La región sureste de México, comprendida en la ventana MODIS-H09v07, incluye
en su totalidad a los estados de Chiapas y Tabasco, así como parte de Campeche
y Quintana Roo. Durante 2008, para esta zona, la CONAFOR reportó 643 incen-
dios que afectaron 29 658 ha, siendo el estado de Quintana Roo el más afectado
(17 830 ha), seguido por Chiapas (9 711 ha). A nivel nacional, ambos estados
fueron considerados entre las diez entidades con mayor superficie afectada por
incendios.
Imágenes MODIS
El producto estándar MODIS MCD43B4 se genera cada 16 días, en proyección
Sinusoidal, a partir de la combinación de los datos de los satélites Terra y Aqua,
con resolución espacial de 1 km, logrando con ello corregir efecto bidireccional y
reducir la influencia de nubes y distorsiones atmosféricas. Este producto se creó
con la finalidad de optimizar la calidad de los compuestos MODIS de 32 días. La
utilidad de los compuestos MCD43B4 para cartografiar las áreas quemadas fue
evaluada previamente frente a otros compuestos, obteniendo los mejores resulta-
dos (Opazo y Chuvieco, 2007). Debido a ello se consideró una alternativa intere-
sante para Latinoamérica, tomando como área piloto la región sureste de México.
Ajustes AQM2008
Este proceso se inició con la revisión de reportes oficiales (CONAFOR, 2008) con
la finalidad de identificar y seleccionar los incendios que hubieran presentado
superficies de afectación > 200 ha. Dicha información se utilizó para identificar
visualmente, en los quicklook de Landsat (http://glovis.usgs.gov), al menos un

área quemada antes y después del incendio, como se puede ver en la Figura 1.
Posteriormente se verificó la presencia en el correspondiente compuesto
MODIS de 16 días. Este proceso constituyó una etapa importante para confirmar
o ajustar cada uno de los umbrales del algoritmo AQL2004, obteniendo como
resultado un nuevo algoritmo denominado AQM2008. Una vez efectuados los
ajustes necesarios, se aplicó a los 46 compuestos que cubren el periodo 2008.
El algoritmo AQL2008 está compuesto por tres fases: a) discriminación,
b) comparación multitemporal y c) análisis contextual. Las nubes y las superficies
no combustibles se enmascaran antes de iniciar la primera fase para disminuir
posibles confusiones. Las nubes se eliminaron utilizando las Bandas 2, 3 y 5:
Si B2 > 0.25 y B3 > 0.06 y B5/B3 > 0.7,
donde:
B1=Banda2: B2=Banda3 y B3= Banda 5.
La máscara de combustible se construyó a partir del mapa de vegetación VCF

(Vegetation Continuos Fields; Hansen et al., 2004) el cual tuvo que adecuarse a
la misma proyección y resolución espacial que los compuestos MODIS de 16 días.
La máscara se construyó con la finalidad de reducir las posibles confusiones con
los cuerpos de agua y ríos.
b)
Figura 1. Imágenes Landsat (path 21, row 29), composición RGB (543) donde se presenta una
zona quemada antes (9 de abril de 2008; izquierda) y después (25 de abril de 2008; derecha)
de un incendio forestal.
La primera fase del algoritmo discrimina los píxeles más afectados por el
fuego a partir de umbrales fijos aplicados a los índices de áreas quemadas Normal
Burn Ratio (NBR; López y Caselles, 1991) y Burned Area Index (BAI; Martín et
al., 2005).
NBR = ρ NIR – ρ SWIR / ρ NIR + ρ SWIR ,
donde:
ρ = reflectividad
NIR = infrarrojo cercano
SWIR = infrarrojo medio de onda corta
BAI = 1/(ρ c SWIR – ρ SWIR)2 + (ρ c NIR – ρ NIR)2
donde:
ρ c SWIR = reflectividad de un punto de convergencia de área quemada (0.8),

ρ c NIR = reflectividad de un punto de convergencia de área quemada (0.2),
ρ = reflectividad en las mismas bandas,
NIR = infrarrojo cercano,
SWIR = infrarrojo medio de onda corta.
La segunda fase compara la diferencia de valores NBR y BAI de los píxeles

discriminados en un tiempo dado (t), en relación con el valor del mismos píxel
en el compuesto anterior (t-1):
BAI t – BAI t-1 y NBR t – NBR t-1 .
Si la diferencia es mayor que los umbrales establecidos las áreas quemadas se

conservan, de lo contrario se eliminan. De esta manera el píxel seleccionado pue-
de ser elegido una sola vez, disminuyendo la posibilidad que un mismo evento sea
elegido de manera consecutiva (por lo menos dos veces).
El compuesto de enero 2008 (t) se consideró como el tiempo inicial, cuyos
resultados se comparan con el último compuesto de 2007 (t-1). Al final de esta
fase las áreas quemadas pequeñas (< 3 píxeles = 300 ha) fueron eliminadas.
La tercera fase es un análisis contextual para agregar nuevos píxeles al grupo
seleccionado y delimita la superficie afectada por el fuego. Para ello se utiliza un
buffer de 3 km (3 píxeles) y el índice BAI con un filtro de paso bajo aplicado en
una ventana de 7 x 7 píxeles. Si el BAI del píxel > (BAI medio * 1.3) y además está
dentro del buffer, entonces se considera como áreas quemadas.
Proceso de evaluación
La validación se realizó con imágenes de mayor resolución espacial, particular-
mente Landsat y SPOT, previas y posteriores a los eventos, en combinación con
las estadísticas oficiales de los incendios forestales. Considerando la distribución
de los incendios y las áreas quemadas se eligieron tres imágenes al azar; sin em-
bargo, la zona en estudio, por su ubicación geográfica, presenta alta nubosidad
durante todo el año, siendo más intensa en la temporada lluviosa de junio a sep-
tiembre. Debido a ello, solo fue posible obtener dos pares de imágenes Landsat
ETM+ (http://landsat.org): Path 21 - Row 49 del 9 y 25 de abril de 2008 y Path
22 - Row 48 del 3 de marzo y del 2 de mayo de 2008. En complemento se obtuvo
un par de imágenes SPOT: K/J 604-318 del 29 de marzo y del 2 de abril de 2008.
a) b)
c) d)
Figura 2. Aplicación del algoritmo al compuesto MDC43B4 2008105, correspondiente a la

última semana de abril. En el círculo color rojo se identifica el incendio presentado en
la Figura 1, donde a) RGB = 721; b) NBR; c) BAI y d) área quemada identificada por AQM2008.
Con apoyo de la interpretación visual (Roy et al., 2002) y utilizando el pro-

grama ENVI, se identificaron y delimitaron varios polígonos de áreas quema-
das en formato vector. Tales polígonos se sobrepusieron con las áreas quemadas
derivadas del algoritmo AQM2008. Esto permitió identificar posibles errores de
omisión y comisión. Recientemente se identificaron varias imágenes Landsat TM
y SPOT que podrán ser utilizadas para evaluar la confiabilidad del algoritmo
a partir de ROI’s (Regions of interest) para obtener la superficie coincidente en
ambos vectores. Así mismo, la información de cada imagen será organizada
en matrices de confusión.
Resultados
Tomando como referencia el algoritmo AQL2004, se construyó uno nuevo para

el sureste de México denominado AQM2008, utilizando los compuestos MODIS
de 16 días. Los umbrales de ambos algoritmos se presentan en la Tabla 1. Los
ajustes para el algoritmo AQM2008 consistieron generalmente en la disminución
de umbrales debido a su resolución espacial.
Solamente los primeros 19 compuestos (enero - mayo) presentaron super-
ficies quemadas. Al analizar y comparar los resultados de cada compuesto, de
manera consecutiva, se observó que varias regiones presentaban nuevas áreas
quemadas, en complemento con áreas que ya habían sido identificadas anterior-
mente. Dichas repeticiones se atribuyeron a la sobreposición de ocho días entre
un compuesto y el siguiente. Sin embargo, un análisis más detallado permitió
Tabla 1. Umbrales establecidos para detectar áreas quemadas
Umbrales AQL2004 AQM2008

MODIS 32 días MODIS 16 días
500 m 1 000 m
BAI mínimo 100 95
NBR mínimo 0.15 0.05
BAI multitemporal 0.6 0.25
NBR multitemporal 160 50
Extracción de semillas > 5 píxels > 3 píxels
Buffer 3 km 3 km
Filtro de paso bajo (Kernel Size) 15 x 15 7x7
explicar que tales repeticiones muy probablemente están relacionadas con la

frecuencia temporal y espacial de las quemas agropecuarias. Debido a ello se
consideró conveniente obtener el resultado total de superficie quemada sumando
los resultados de los 19 compuestos. Esta estrategia permitió a su vez conocer el
número de veces que un píxel había sido considerado como área quemada (fre-
cuencia de quema). Por ejemplo, si en la suma total un píxel presentaba un valor
de 1, tal resultado se interpretó como la ocurrencia de un incendio que dejó solo
una marca; si presentaba un valor de 2, se consideró que dicho píxel podría haber
presentado dos quemas en diferentes fechas.
Siguiendo el criterio anterior, el algoritmo AQM2008 identificó 99 500 ha de
superficie quemada entre enero y mayo. De éstas, 60% (59 500 ha) correspon-
den a Guatemala y Honduras; el 40% (40 000 ha) restante se identificaron en
México. De manera complementaria, en toda el área que cubre el Tile H09V07,
se observó que 78% de la superficie afectada por el fuego incluye píxeles de clase
1, lo que confirma que solo fueron identificados una vez; 15% de dicha superficie
incluye píxeles donde el fuego se presentó en dos ocasiones; el 6% restante inclu-
ye píxeles donde las quemas fueron más frecuentes: entre tres y siete ocasiones.
Para el caso exclusivo de México, se obtuvieron los siguientes porcentajes: 65%
de la superficie incluye píxeles que se quemaron en una ocasión; 24% presentó
píxeles donde las quemas se identificaron en dos ocasiones; el 11% restante inclu-
ye píxeles con quemas frecuentes: tres a siete ocasiones. Los resultados sugieren
que el algoritmo construido tiene buena capacidad para discriminar superficies
quemadas recientes ya sea en terrenos de cultivos, pastizales y coberturas fores-
tales (Figura 3).
Como resultado de la validación cualitativa se observó que algunas super-
ficies forestales quemadas no fueron identificadas (errores de omisión); en tanto
que las extensas quemas agrícolas y pecuarias fueron identificadas fácilmente,
considerándose en ocasiones una sobreestimación (errores de comisión). Esto úl-
timo muy probablemente se debe a la intensa actividad agropecuaria que carac-
teriza a esta región.
Discusión
El uso de compuestos MODIS de 16 días permitió construir un algoritmo para

detectar superficies quemadas > 300 ha, que afecten terrenos de agropecuarios o
forestales. Esto puede considerarse un factor limitante para identificar superficies
quemadas de menor proporción. Los registros oficiales reportaron 29 658 ha de
Figura 3. Compuesto
Frecuencia de RGB (721), MODIS 16 días
Áreas Quemadas 2008
(MCD43B4A2008017) corres-
1 5 pondiente a la última semana
2 6 de enero de 2008. En tonos
3 >7 de color azul se presentan las
4
áreas quemadas identificadas
por el algoritmo AQM2008,
clasificados por su frecuencia
de ocurrencia.
superficie afectada por incendios forestales durante 2008, de las cuales menos del
10% corresponden a incendios > 300 ha. El algoritmo AQM2008 detectó varias
superficies afectadas por grandes incendios forestales, particularmente el ocurri-
do en la Reserva de El Triunfo entre el 11 y 24 de abril de 2008. Por su dimensión
(> 570 ha), dicho incendio fue identificado en las imágenes Landsat ETM+ y en
los compuestos MODIS, constituyendo un apoyo importante para ajustar y crear
el nuevo algoritmo AQM2008. Sin embargo, en el sureste de México y el resto del
país, la mayoría de los incendios afecta superficies < 300 ha. En este sentido el
algoritmo AQM2008 y el uso de compuestos MODIS - 16 días constituyen una li-
mitante para detectar áreas quemadas inferiores al umbral mínimo considerado.
Conclusión
El algoritmo AQM2008 y el uso de compuestos MODIS - 16 días constituyen una

alternativa para identificar y evaluar las superficies quemadas > 300 ha de manera
sistemática a escala regional. Asimismo, se considera que puede ser considerado
un insumo importante para desarrollar un monitoreo sistemático en otras regio-

nes del país y en Latinoamérica. La cartografía generada de áreas quemadas se
considera de gran utilidad para elaborar programas de reforestación y vigilancia
de quemas agropecuarias.
Agradecimientos
Este trabajo forma parte de los resultados de los proyectos Red Latinoamericana
de Seguimiento y Estudio de los Recursos Naturales (SERENA), Red Latinoame-
ricana de Teledetección de Incendios Forestales (RedLatif) y OTEAR - Observa-
torio Territorial de Evaluación de Amenazas y Riesgos. Los dos primeros forman
parte del Programa Iberoamericano de Ciencia y Tecnología para el Desarrollo
(CYTED) y GOFC-GOLD; el último es un Proyecto PAPIIT (clave IN307410).
Capítulo 11. Observaciones satelitales e in situ de
un evento de marea roja en la Bahía de Navachiste,
Sinaloa, México
Raúl Aguirre Gómez
Aída Martínez López

Laboratorio de Fitoplancton, Centro Interdisciplinario de Ciencias Marinas,
IPN, La Paz, BCS
Diana C. Escobedo Urías

Departamento de Medio Ambiente, Centro Interdisciplinario de Investigación
para el Desarrollo Integral Regional Unidad Sinaloa, IPN, Guasave, Sinaloa
Introducción
En los últimos años ha habido un aumento en la frecuencia de ocurrencia de ma-

reas rojas en la región costera del estado de Sinaloa. Estos eventos pueden ser una
seria amenaza para la salud del ser humano dado que la mayor parte de las algas
responsables de las mareas rojas son especies tóxicas (Gárate y Martínez, 1997).
Aun cuando los mecanismos que detonan las mareas rojas no son del todo
conocidos, es posible establecer una asociación con factores físicos y biológicos.
Entre los factores biológicos de mayor importancia se puede considerar un am-
biente rico en nutrimentos provenientes de ríos y escorrentías, los cuales trans-
portan agroquímicos hacia el mar. Esto, combinado con factores físicos como luz
y temperatura, puede crear un ambiente adecuado para el desarrollo de diferentes
tipos de algas dañinas o no.
La descarga de aguas residuales de tipo urbano o industrial junto con las
de granjas de acuacultura crean, en particular, las condiciones favorables para
el florecimiento de especies como: Prorocentrum, dentatum y minimum, y de la
diatomea Pseudonitzschia australis (Cortés y Agraz, 1994). Mee et al. (1986) re-
portaron un incremento en la eutrofización de la región costera de Sinaloa, oca-
246 . Raúl Aguirre Gómez, Aída Martínez López y Diana C. Escobedo Urías
sionadas por las descargas de aguas residuales de áreas turísticas y la descarga de

aguas de granjas camaronícolas, las cuales favorecen la aparición de cianofitas y
dinoflagelados en el ambiente costero.
Esta condición es suficiente pero no necesaria en la explicación de la ocurren-
cia de mareas rojas. Para que éstas ocurran en la región en estudio es necesario un
mecanismo físico de forzamiento tal como la presencia de surgencias eólicas que
detonen el florecimiento de algas dañinas. En algunos estudios se ha reportado
que los cambios abruptos en la temperatura del mar pueden ser letales para di-
versos grupos de algas, como las diatomeas, las cuales son vulnerables a cambios
en la temperatura del mar de alrededor de 4° C, situación típica en un evento
de surgencia eólica, mientras que especies como los dinoflagelados son resisten-
tes a estos cambios. Las especies de dinoflagelados más comúnmente reportadas
en la región son, principalmente Prorocentrum minimum y Gymnodinium sp.,
las cuales han aparecido con mayor frecuencia desde finales de la década de los
años noventa como dominantes en las mareas rojas cercanas a las costas de Ma-
zatlán (Cortés y Agraz, 1994).
Las imágenes satelitales han probado ser una herramienta importante en el
monitoreo de las variaciones diarias de la temperatura superficial del mar (TSM)
y de la concentración de clorofila a. Este tipo de imágenes puede ser utilizado
para inferir cambios ambientales, a escala regional, antes, durante y después de la
ocurrencia de mareas rojas; tener una visión amplia de estos eventos en espacio y
tiempo y evaluar las condiciones óptimas para la ocurrencia de mareas rojas. La
presencia de mareas rojas en el Océano Pacífico Oriental Tropical (ETPO, por sus
siglas en inglés) ha sido observada y estudiada con imágenes de satélite (Muñoz et
al., 1991; Peláez, 1987). Aun cuando la detección directa de un evento de marea
roja es difícil a causa de su estructura espacial, es posible inferir su presencia me-
diante la variación de las condiciones térmicas del mar. Estas variaciones pueden
ser producidas por el forzamiento del viento en las capas superficiales del océano.
Esta interacción produce surgencias eólicas la cual puede detonar florecimientos
de dinoflagelados. Aguirre et al. (1999) analizaron, usando técnicas de PR, un
evento de marea roja en las costas de Mazatlán en 1997. Sus resultados sugieren
el forzamiento del viento como el mecanismo físico responsable de la irrupción
de un evento de marea roja.
Por otro lado, Beman et al. (2005), usando datos SeaWiFS, apuntaron que
una consecuencia posible de los eventos de irrigación en el valle del Yaqui era la
ocurrencia de una gran cantidad de florecimientos fitoplanctónicos durante el
invierno. Estos resultados muestran que la respuesta del fitoplánctones mayor a la
Observaciones satelitales e in situ de un evento de marea roja en la Bahía de… . 247
variabilidad del viento durante el invierno-primavera (temporada de surgencias)

que a las descargas de agua dado que la temporada de lluvias es en el verano.
Martínez et al. (2008) encontraron que los patrones de la TSM en imágenes
satelitales sugieren que el forzamiento del viento es el mecanismo responsable de
la detonación de florecimientos algales en la zona costera del complejo lagunar
de Navachiste. Sin embargo, la utilización de imágenes no basta para explicar la
presencia de estos eventos en la región, por lo que es indispensable contar con
datos complementarios. Como se mencionó previamente, es necesario tener un
ambiente adecuado para el desarrollo de dinoflagelados. Para ello, son necesarias
las mediciones in situ para cuantificar los nutrientes presentes en la región, los
cuales son transportados por las corrientes a lo largo de la costa. Por consiguiente,
los datos in situ data son útiles para validar y calibrar la información satelital.
En el periodo comprendido entre el 19 de abril al 5 de mayo de 2000, tuvo
lugar un evento de marea roja en las costas de Sinaloa. La cobertura del evento
fue de aproximadamente 67 km de largo por 13 de ancho, cerca del complejo
lagunar San Ignacio-Navachiste-Macapule, que penetró el sistema a finales de
abril.
El objetivo de este trabajo es analizar la ocurrencia de una marea roja en la
bahía de Navachiste, Sinaloa, utilizando imágenes satelitales de color y tempera-
tura superficial del mar y observaciones in situ. Este análisis permitirá un mayor
entendimiento sobre los mecanismos que dan lugar a eventos de marea roja.
Área en estudio
La bahía de Navachiste forma parte del sistema lagunar Navachiste-San Ignacio-

Macapule inserta en el complejo de lagunas costeras localizadas en la parte norte
de la planicie costera del estado de Sinaloa (25°17’ – 25°40’ N; 108°25’-109°02’ W).
El sistema tiene una extensión aproximada de 45 km a lo largo de la costa y una
superficie cercana a las 27 000 ha, incluyendo las lagunas (Berlanga y Ruiz,
2002). El complejo tiene una interacción permanente con el Golfo de California
a través de dos bocas que le proporcionan un ambiente marino la mayor parte del
año. El río Sinaloa descarga en el sistema lagunar San Ignacio-Navachiste y tiene
una fuerte interacción.
De acuerdo con el INEGI (2000) el área en estudio tiene un clima seco y
cálido y está situado en una región semi-árida y sub-húmeda, con lluvias en ve-
rano de julio a octubre. Las fuentes principales de contaminación en el complejo
lagunar son las descargas de aguas negras municipales de Guasave, el centro
urbano de mayor importancia en la zona, drenaje de los campos agrícolas, el cual

transporta fertilizantes e insecticidas; drenaje de las granjas camaronícolas, el
cual fluye en el sistema acarreando nutrientes orgánicos, especialmente durante
la época de cosecha (Ruiz y De la Lanza, 1999).
En general, esta región se caracteriza por tener una alta concentración de
pigmentos, como se ha observado en imágenes satelitales, Santamaría et al.
(1994), utilizando imágenes del sensor CZCS, encontraron un valor prome-
dio de 3.69 mg m-3 en la concentración de pigmentos durante el invierno y de
0.49 mg m-3 durante el estiaje.
Materiales y métodos
Datos in situ
Se realizaron cuatro cruceros de muestreo en noviembre de 1999, y en enero,
marzo y abril de 2000. El último muestreo fue coincidente con el evento de
marea roja ocurrido en el periodo del 19 de abril al 5 de mayo. Las mediciones in
situ en la plataforma continental se llevaron a cabo en 25 estaciones de muestreo
(Figura 1), a tres diferentes profundidades (superficie, 2 m y fondo). Los valores
de temperatura, salinidad, pH, y oxígeno disuelto fueron medidos con un ana-
Cerro
Cabezón
Huitussi
25º30“
Navachiste
San
Ignacio
Isla
Macapule
25º15“
109º 108º45“ 108º30“
Figura 1. Área en estudio.

lizador de calidad de agua (Horiba, modelo U-10); la transparencia del agua fue
estimada con un disco Secchi; y las mediciones de profundidad se realizaron con
una eco-sonda.
Adicionalmente, se colectaron muestras de agua para analizar nutrientes
tales como amoniaco (NH4), nitratos (NO3), nitritos (NO2), fosfatos (PO4) y
silicatos (SiO3) y para determinar los sólidos suspendidos totales (SST), materia
orgánica particulada (MOP), clorofila a y fitoplancton. La colecta y el análisis de
las muestras de fitoplancton fueron realizados con el método Uthermöl. La bio-
masa fitoplanctónica fue determinada mediante la cuantificación de la clorofila a
y feo-pigmentos (Strickland y Parsons, 1972).
Observaciones satelitales
Las imágenes satelitales de color y temperatura superficial del mar fueron re-
cibidas y procesadas en el Laboratorio de Análisis Geoespacial del Instituto de
Geografía (LAGE-UNAM). Las imágenes de color obtenidas con el sensor SeaWiFS
fueron transformadas a mapas de concentración de clorofila a (+ feopigmentos)
usando el programa SeaDAS de la NASA.
2
Cloa = –0.40 + 10(0.341 – 3.001X + 2.811X – 2.041X 3),
donde Cloa es la concentración de clorofila a (mg m-3) y X expresa el cociente

entre las bandas espectrales 3 y 5 del sensor SeaWiFS.
X = log10
( Rrs(490)
Rrs(555) )
,
donde R rs(λ) es la reflectancia en la banda λ.
Por su parte, las imágenes de TSM fueron derivadas de los datos del sensor
NOAA-AVHRR aplicando el algoritmo de doble ventana (MCSST) propuesto por
McClain et al. (1985) e implementado en el sistema TERASCAN (SeaSpace Cor-
poration, ltd).
TMS = 1.017432T11 + 2.139588(T11 – T12) – 283.21,
donde T11 y T12 son las temperaturas de brillo calculadas a partir de las
radiancias expresadas en grados Kelvin. TSM es la temperatura superficial del
mar calculada mediante el algoritmo MCSST y expresado en grados centígrados.
Resultados
Datos in situ
Los datos analizados del 25 de abril de 2000, tres puntos de muestreo presenta-
ron valores de concentración muy altos del alga Prorocentum minimum. Hasta la
fecha, el evento reportado en este trabajo ha sido uno de los más extendidos y con
la concentración de dinoflagelados más alta. La concentración de microalgas en
la superficie varió entre 8 600 y 9 600 células/ml, de los cuales 7 665 células/ml
correspondieron a Prorocentrum minimum, lo cual equivale a una concentración
de clorofila a entre 73 y 106.5 mg/m3, siendo la especie dominante. Esta alga es
común en estuarios y lagunas costeras y en algunos estudios han sido reportados
efectos letales en peces y moluscos, y secuelas peligrosas en seres humanos (Day
et al., 1989; Cortés y Agraz, 1994).
Prorocentrum minimum contiene pigmentos rojos que confieren una colo-
ración rojiza-caoba a las aguas costeras y estuarinas; adicionalmente se identifi-
caron tres especies potencialmente tóxicas: Pseudonitzschia cf multiseries, Pseu-
donitzschia cf australis y Dinophysis acuminata. Las dos primeras pertenecen a la
clase de las diatomeas y pueden producir toxinas amnésicas (ASP), mientras que
el dinoflagelado Dinophysis acuminata ha sido asociado con la producción de
toxinas diarreicas (DSP).
La Tabla 1 muestra los valores promedio de las variables fisicoquímicas me-
didas en la mancha de la marea roja (Figura 2).
Temperatura superficial del mar

Las imágenes de TSM muestran variaciones térmicas en el área en estudio durante
abril de 2000. A principios de mes se observaron valores cercanos a 29° C en la
Tabla 1. Variables físico-químicas en la columna de agua medidas en la mancha principal

de la marea roja frente a la costa del Municipio de Guasave, Sinaloa, el 25 de abril de 2000
Prof. (m) T (ºC) pH %SAT o2 S (%) OD (mg/l) TSS (mg/l)

0 22.7 9.23 229 35.6 15.9 47.22
-4 22.3 9.11 206 35.6 14.54 42.08
-8.1 19.4 8.3 29 35.5 2.18 93.96
Prof. (m) NO3 (μM) NO2 (μM) NH4 (μM) SiO3 (μM) PO4 R (μM) PO4 T (μM)
0 0.15 0.08 0.4 5.23 0.8 0.98
-4 0.32 0.18 0.4 2.16 0.35 0.92
Cerro
Cabezón
Huitussi
25º30“
Navachiste
San
Ignacio
Isla
Macapule
25º15“
109º 108º45“ 108º30“
Figura 2. Extensión de la mancha de marea roja en el sistema lagunar.
costa del sistema lagunar San Ignacio-Navachiste-Macapule. A mediados de mes

se observó un decremento en las imágenes de TSM de aproximadamente 3° C.
Esta disminución en la TSM puede asociarse al forzamiento del viento sobre la
región. Aun cuando el forzamiento del viento no fue lo suficientemente grande,
fue constante en dirección e intensidad por varios días (Figura 3). Hacia finales
de abril se restablecieron las condiciones térmicas iniciales, coincidiendo con el
florecimiento de la marea roja.
Se ha observado que cambios abruptos en la TSM pueden afectar a algunos
tipos de algas tales como las diatomeas, mientras que dinoflagelados presentan
350 21 Figura 3. Valores mensuales

19 del campo de viento en el
300
17 año 2000.
250 15
km/hr
(*) 13
200
11
9
150
7
100 5
NOV
DIC
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
Intensidad Dirección
una mayor resistencia a las variaciones de temperatura (Lee, 1992). Esto es parti-
cularmente cierto para el caso de Prorocentrum minimum que fue la especie do-
minante en el área. Las Figuras 4 y 5 muestran las variaciones en la TSM durante
abril de 2000.
La Figura 4a es una imagen correspondiente al 24 de abril de 2000 e ilustra
la respuesta de la TSM al esfuerzo sostenido del viento de los días previos y mues-
tra aguas relativamente frías en la zona costera sugiriendo una surgencia de aguas
profundas. Climatológicamente, en el periodo invierno-primavera la región es
dominada por vientos fríos del NO procedentes del continente. La persistencia
del viento produce la surgencia de tipo eólica. La TSM en la zona costera frente al
sistema lagunar es cercana a los 22° C (tonos azules), mientras que hacia la zona
oceánica se observa un valor promedio de la TSM de 26.5° C (tonos naranja). En
la Figura 4b se observa el gradiente térmico en el área en estudio.
Los datos in situ indican el inicio de la marea roja a partir del 25 de abril de
2000, alcanzando su máximo hacia finales de mes, coincidente con el incremento
en la TSM sobre el sistema lagunar (Figura 5a). En el mapa de la TSM de 30 de
abril (Figura 5a) es evidente la condición isotérmica de la región, promediando
una temperatura de 24° C, las variaciones mínimas alrededor de esta valor se
aprecian claramente en la Figura 5b.
Datos SeaWiFS
La imagen del sensor SeaWiFS del 20 de abril muestra valores relativamente bajos
de la concentración de clorofila a (1 - 10 mg m-3) en la región del sistema lagunar
(Figura 6). En contraste, la imagen correspondiente al 25 de abril de 2000 pre-
senta valores altos en la concentración de clorofila a, cercanos a los 64 mg m-3,
coincidiendo con el florecimiento de la marea roja (Figura 7). Es importante re-
marcar que la dominancia de Prorocentrum minimum es posible establecerla solo
con los datos in situ, la imagen de satélite no discrimina los diferentes grupos de
algas coincidiendo en el sitio.
Conclusiones
Los datos in situ sugieren que la marea roja en el sistema lagunar San Ignacio-
Navachiste-Macapule fue un fenómeno local originado por una alta concentra-
ción de nutrientes procedentes del río Sinaloa y la laguna Macapule, aunado a
Figura 4a. Mapa de la TSM

correspondiente al 24-04-
2000.
18 20 22 24 26
24/04/00 23:13 GMT
NAVACUISTE
Figura 4b. Variación de la

n14.000424.2313
TSM a lo largo de un tran-
26
secto y a lo largo del sistema

lagunar (24-04-2000).
T E M P E R AT UR A (C )
24
22
20
-1 0 9 . 6 -109.2 -108.8 -108.4 -108

LON GI T UD
Figura 5a. Mapa de la TSM

correspondiente al 30-04-
2000.
18 20 22 24 26
30/04/00 10:49 GMT
N AVA C H I S T E
Figura 5b. Variación de la

n 14. 000430. 1049
TSM a lo largo de un tran-
26
secto y a lo largo del sistema

lagunar (30-04-2000).
T E MP E R AT UR A (C )
24
22
20
-109.6 -109. 2 -108. 8 -108. 4 -108

LO NG I TU D
64.00 Figura 6. Imagen SeaWiFS
(mg m-3 )
correspondiente al 22 de
abril de 2000.
10.00
1.00
0.10
0.01
64.00 Figura 7. Imagen SeaWiFS

(mg m-3 )
correspondiente al 27 de
abril de 2000.
10.00
1.00
0.10
0.01
un aumento en el proceso de re-mineralización ocasionado por la elevación de

la temperatura en la columna de agua (Valiela, 1995). Los datos indican la pre-
sencia de varias especies de dinoflagelados con el predominio de Prorocentrum
minimum.
Las condiciones físico-biológicas en marzo de 2000, previas al florecimiento
de la marea roja, se caracterizaron por vientos de baja intensidad, una alta con-
centración de nutrientes y corrientes fluyendo en la dirección S-N. Las condicio-

nes a finales del mes de abril de 2000 fueron diferentes: aumento de temperatu-
ra, la aparición de altas concentraciones de clorofila y una importante intrusión
de nutrientes procedente del sur. La presencia de nutrientes durante el periodo
invierno-primavera es ocasionada en gran medida por fertilizantes usados en las
zonas agrícolas costeras. Estos agroquímicos son transportados a la zona costera
por la descarga de aguas residuales en el sistema lagunar en los esteros Coloradito
y Babaraza y el río Sinaloa.
Las imágenes satelitales de TSM sugieren la presencia de un evento de sur-
gencia como el mecanismo responsable del afloramiento de la marea roja. Las
imágenes de color del mar muestran, a su vez, las variaciones en las concentra-
ciones de clorofila a, en particular la imagen del 25 de abril mostró altas concen-
traciones de este pigmento, las cuales son coincidentes con la marea detectada en
los muestreos in situ.
REFERENCIAS
Addison, P.S. (1997), Fractal and chaos. An illustrated course, Institute of physics publis-
hing, Bristol and Philadelphia.
Aguirre Gómez, R. (2002), Los mares mexicanos a través de la percepción remota, Temas
Selectos de Geografía de México (III.1), Instituto de Geografía-UNAM, Plaza y
Valdés, México.
Aguirre Gómez, R. (2007), “Temperatura superficial del mar y concentración de clo-
rofila a”, Nuevo Atlas Nacional de México, Instituto de Geografía, UNAM, México.
Aguirre Gómez, R. (coord.; 2009), Conceptos de Geomática y estudios de caso en México,
Geografía para el siglo XXI, Serie libros de Investigación, núm. 5, Instituto de Geo-
grafía, UNAM, México.
Aguirre Gómez, R., R. Álvarez and O. Salmerón García (1999), “Red tide evolution in
the Mazatlán Baya rea from remotely sensed sea surface temperaturas”, Geofísica
Internacional, vol. 38, pp. 63-71.
Aguirre Gómez, R., O. Salmerón García and R. Álvarez (2003), “Effects of NSO off the
southwest of Mexico, 1996-1999”, Geofísica Internacional, pp. 377-388.
Álvarez, R., O. Salmerón García y R. Aguirre Gómez (2001), “Las imágenes de satélite
ayudaron a evaluar los efectos de El Niño Oscilación del Sur en el Pacífico mexicano,
en el periodo 1997-1998”, Los efectos del fenómeno El Niño en México 1997-1998,
CONACYT, México.
Anderson, A. N., A. B. McBratney and E. A. FitzPatrick (1996), “Soil mass, surface and
spectral dimensions estimates from thin section photograph”, Soil Science Society
American Journal, no. 60, pp. 962-969.
Anderson, A. N., A. B. McBratney and J. W. Crawford (1998), “Applications of fractal to
soil studies”, in Sparks, D.L. (ed.), Advances in Agronomy, no. 63, Academic Press,
pp. 2-76.
Andrle, R. F. (1964), A biogeographical investigation of the Sierra de Tuxtlas in Veracruz,
Mexico, Phd Thesis, Louisiana State University, Baton Rouge.
Angeli, M. G., A. Pasuto and S. Silvano (2000), “A critical review of landslide monito-
ring experiences”, Engineering Geology, vol. 55, pp. 133-147.
Archarya, G., T. Cochrane, T. Davies and E. Bowman (2011), “Quantifying and mo-
deling pos-failure yields from laboratory-scale soil erosion and shallow landslide
experiments with silty loess”, Geomorphology.
258 . Bibliografía
ASPRS (2007), Planimetric Feature Coordinate Accuracy Requirement (Ground X or Y in

Meters) for Well-Defined Points, American Society of Photogrammetry and Remote
Sensing [http://140.194.76.129/publications/eng-manuals/em1110-1-1005/c-4.pdf:
con acceso en enero de 2012].
ASPRS (2011), Planimetric Feature Coordinate Accuracy Requirement (Ground X or Y in
Meters) for Well-Defined Points [http://140.194.76.129/publications/eng-manuals/
em1110-1-1005/c-4.pdf: con acceso en enero de 2012].
ASTRIUM (2012), [http://www.astrium-geo.com/files/pmedia/public/r146_9_pricelist_
spot_en_2011.pdf: consultada en enero de 2012].
Atkinson, P. M. and R. Massari (1998), “Generalized linear modelling of susceptibility
to landsliding in the central Apennines, Italy”, Computers and Geosciences, no. 24,
pp. 373-385.
Ayelew, L. and H. Yamagishi (2005), “The application of GIS-based logistic regression
for landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central
Japan”, Geomorphology, no. 65, pp. 15-31.
Bai, S. B., J. Wang, G. N. Lü, P. G. Zhou, S. S. Xu (2010), “GIS-based logistic regression
for landslide susceptibility mapping of the Zhongxian segment in the Three Gorges
area, China”, Geomorphology, no. 115, pp. 23-31.
Barsch, D. (1996), Rockglaciers, Springer, Berlin.
Behrenfeld, M. J. and P. G. Falkowski (1997), “A consumer´s guide to phytoplankton pri-
mary productivity models”, Limnology and Oceanography, vol. 42, pp. 1479-1492.
Belterman, R. H. B. and l. E. M. De Boer (1990), “A miscellaneous collection of bird
karyotypes”, Genetica, no. 83, pp. 17-29.
Beman, J. M., K. R. Arrigo and P. A. Matson (2005), “Agricultural runoff fuels large phyto-
plankton blooms in vulnerable areas of the ocean”, Nature, vol. 434, pp. 211-214.
Berlanga Robles, C. A. and A. Ruiz Luna (2002), “Land use mapping and change de-
tection in the coastal zone of northwest Mexico using remote sensing techniques”,
Journal of Coastal. Research, no. 18, pp. 514-522.
Bermúdez, R. y U. Martínez (2001), Despliegue y almacenamiento de datos para un siste-
ma de adquisición de imágenes aéreas, tesis de Licenciatura (Ingeniería en Computa-
ción), Facultad de Ingeniería, UNAM, México.
Bernstein, R. L. (1982), “Sea surface temperature estimation using the NOAA 6 satellite
AVHRR”, Journal of Geophysical Research, vol. 87C, pp. 1761-1778.
Beven, K. J. and M. J. Kirkby (1979), “A physically based variable contributing area
model of basin hydrology”, Hydrological Sciences Bulletin, no. 24, pp. 43-69.
Borga, M., G. D. Fontana and F. Cazorzi (2002a), “Analysis of topographic and climatic
control on rainfall-triggered shallow landsliding using a quasi-dynamic wetness
index”, Journal of Hydrology, no. 268, pp. 56-71.
Borga, M., G. D. Fontana, C. Gregoretti and L. Marchi (2002b), “Assessment of sha-
llow landsliding by using a physically based model of hillslope stability”, Hydrolo-
gical Processes, no. 16, pp. 2833-2851.
Bibliografía . 259
Bozzano, F., C. Cherubini, M. Floris, M. Lupo and F. Paccapelo (2002), “Landslide

phenomena in the area of Pomarico (Basilicata-Italy): methods for modeling and
monitoring”, Physics and Chemistry of the Earth, no. 27, pp. 1601-1607.
Brenning, A. (2003), “La importancia de los glaciares de escombros en los sistemas geo-
morfológico e hidrológico de la Cordillera de Santiago: fundamentos y primeros
resultados”, Revista de Geografía, Norte Grande. Pontífica Universidad Católica de
Chile, núm. 30, pp. 7-22.
Brower, L. P. et al. (2002), “Quantitative changes in forest quality in a principal overwin-
tering area of the monarch butterfly in Mexico: 1971-1999”, Conservation Biology,
vol.16, no. 2, pp. 346-359.
Brown, L. (1974), “Data required for effective study of raptor populations”, Proc. of the
Conference on raptor conservation techniques, Fort Collins, Colorado, Raptor Re-
search Report No. 2.
Brown, L. H. and D. Amadon (1989), Eagles, hawks and falcons of the World, Second
Edition, The Wellfleet Press, Secaucus, NJ.
Burton, P. (1989), Birds of Prey, Gallery Books, New York.
Bull, J. L. and J. Farrand Jr. (1995), National Audubon Society Field Guide to North
American Birds. Eastern Region, The Audubon Society field guide series, Alfred A.
Knopf Inc., New York.
Butler, M. A. J. (1990), Aplicación de la tecnología de percepción remota a las pesquerías
marinas: manual introductorio, documento técnico de pesca 295, FAO.
Can, T., H. A. Nefeslioglu, C. Gokceoglu, H. Sonmez and T. Y. Duman (2005), “Sus-
ceptibility assessments of shallow earth flows triggered by heavy rainfall at three
catchments by logistic regression analyses”, Geomorphology, no. 72, pp. 250-271.
Carranza, J. et al. (2003), “Monitoring the natural protected areas of Mexico with air-
borne digital cameras”, ASPRS. 19th Biennial Workshop on Color Photography, Video-
graphy and Airborne Imaging for Resource Assessment, Oct. 6-8, Logan, Utah.
Castellanos Abella, E. A. and C. J. Van Westen (2008), “Qualitative landslide suscepti-
bility assessment by multicriteria analysis: a case study from San Antonio del Sur,
Guantánamo, Cuba”, Geomorphology, no. 94, pp. 453-466.
CCT_Matlab (2012), Camera Calibration Toolbox for Matlab [http://www.mathworks.
com/matlabcentral/linkexchange/links/1092-camera-calibration-toolbox-for-mat-
lab].
Carranza, J., A. Peralta Higuera, J. Prado, V. Salazar, A. Alejo y J. L. Palacio (2003), Mo-
nitoring the natural protected areas of Mexico with airborne digital cameras, ASPRS.
19th Biennial Workshop on Color Photography, Videography and Airborne Ima-
ging for Resource Assessment, Logan, Utah, USA, Oct. 6-8.
Casana, J. and J. Cotheren (2008), “Stereo analysis, DEM extraction and orthorectifica-
tion of CORONA satellite imagery: archaeological applications from the Near East”,
Antiquity, no. 82, pp. 732-749.
260 . Bibliografía
Chen, J., P. J. Gong, C. He, R. Pu and P. Shi (2003), “Land use/cover change detection
using improved change vector analysis”, Photogrammetric Engineering and Remote
Sensing, vol. 69, no. 4, pp. 369-379.
Chinnayakanahalli, K., D. G. Tarboton and R. T. Pack (2003), “An objective method
for the intercomparison of terrain stability models”, Eos Transaction, American
Geophysical Union 84 (46) (Fall Meeting. Suppl., Abstract H31C-0480).
Chunyang, H. and X. Dingyong (2008), “Improving the Normalized Difference Built-
up Index to map urban build-up areas by using a semiautomatic segmentation ap-
proach”, IEEE International Geoscience and Remote Sensing Symposium [http://www.
igarss2008.org/Abstracts/pdfs/2871.pdf].
Chuvieco, E., S. Opazo, W. Sione, H. Del Valle, J. Anaya, C. Di Bella, I. Cruz I., L.
Manzo, G. López, N. Marí, F. González, F. Morelli, A. Setter, I. Csiszar, J. Kar-
pandegui, A. Bastarrika and R. Libonati (2008), “Global burned land estimation
in Latin America using Modis Composite Data”, Ecological Applications, no. 18,
pp. 64-79.
Clerici, A., S. Perego, C. Tellini and P. Vescovi (2002), “A procedure for landslide sus-
ceptibility zonation by the conditional analysis method”, Geomorphology, no. 48,
pp. 349-364.
Cole, J. and C. Villacastin (2000), “Sa surface variability in the northern Benguela upwe-
lling system, and implicatuions for fisheries research”, J. Remote Sensing, vol. 21,
pp. 1597-1617.
Collet, B., J.-F. Parrot and H. Taud (2000), “Orientation of absolute African plate mo-
tion revealed by tomomorphometric analysis of the Ethiopian dome”, Geology, vol.
28, no. 2, pp. 1147-1149.
CONAFOR (2008), Reportes de incendios 2008, Comisión Nacional Forestal, México
[http://www.conafor.gob.mx/programas_nacionales forestales/incendios/index.
html].
CONAGUA (2010), Nivelación de Precisión del Valle de México, Zona Lago de Texcoco,
2006, Zona Valle de Chalco, Comisión Nacional del Agua, Estado de México.
Cortés, R. y C. M. Agraz (1994), Presencia de Prorocentrum minimum (Pav) schiller en estan-
ques para cultivo de camarón, Universidad Autónoma de Sinaloa, núm. 13, pp. 11-16.
Crozier, M. J. (1973), “Techniques for the morphometric analysis of landslips”, Zeits-
chrift fur Geomorphologie, vol. 17, no. 1, pp. 78-101.
Dai, F. C., C. F. Lee and Y. Y. Ngai (2002), “Landslide risk assessment and manage-
ment: an overview”, Engineering Geology, no. 64, pp. 65-87.
Day, J. W., C. A. S. Hall, W. M. Kemp and A. Yáñez Arancibia (1989), Estuarine Ecology,
Wiley, New York.
Deb, S. K. and A. I. El-Kadi (2009), “Susceptibility assessment of shallow landslides
on Oahu, Hawaii, under extreme-rainfall events”, J. of Geomorphology, no. 108,
pp. 219-233.
Bibliografía . 261
DeGraaf, R. M. and J. H. Rappole (1995), Neotropical migratory birds, Comstock Pu-

blishing Associates, Ithaca and London.
Dehn, M. and J. Buma (1999), “Modelling future landslide activity based on general
circulation models”, Geomorphology, no. 30, pp. 175-187.
DHI (2011), MIKE-URBAN software, Danish Hydrological Institute.
Delorme, A. (2009), Produire un modèle numérique d’elevation à l’aide du DEM extraction
module d’ENVI.
DeMaris, A. (1992), “Logit modeling: practical applications sage University Paper Series
on Quantitative Applications in the Social Sciences, series no. 07-086. Newbury
Park, CA: Sage Publications.
Demoulin, A. and C. F. Chung (2007), “Mapping landslide susceptibility from small
datasets: a case study in the Pays de Herve (E Belgium)”, Geomorphology, no. 89,
pp. 391-404.
Dewolf, Y. et G. Bourrié (2008), “Les formations superficielles. Genèse – Typologie
–Classifications – Paysages et environnements – Resources et Risques”, Ellipses,
Edition Marketing, Paris.
Dietrich, W. E., D. Bellugi and R. Real de Asua (2001), “Validation of the shallow
landslide model, SHALSTAB, for forest management”, in Wigmosta, M. S. and S. J.
Burges (eds.), Land use and watersheds: human influence on hydrology and geomor-
phology in urban and forest areas; American Geophysical Union, Water Science and
Application 2, pp. 195-227.
Dietrich, W. E. and D. R. Montgomery (1998), SHALSTAB: a digital terrain model for
mapping shallow landslide potential, NCASI (National Council of the Paper Indus-
try for Air and Stream Improvement) Technical Report.
Di Gregorio, S., R. Rongo, C. Siciliano, M. Sorriso Valvo and W. Spataro (1999), “Mount
Ontake landslide simulation by the Cellular Automata model SCIDDICA-3”,
Physics and Chemistry of the Earth, Part A: Solid Earth and Geodesy, no. 24,
pp. 97-100.
Dirzo, R. (1987), Propuesta para la creación de un parque ecológico para la investigación y
educación en Los Tuxtlas, Veracruz, SEDUE, México.
Dirzo, R. (1991), “Rescate y restauración ecológica de la selva de Los Tuxtlas”, Ciencia y
Desarrollo, núm. 17, pp. 33-45.
Dirzo, R. y A. Miranda (1992), “El límite boreal de la selva tropical húmeda en el con-
tinente Americano: contracción de la vegetación y solución de una controversia”,
Interciencia, núm. 16, pp. 240-247.
Dirzo, R. and M. C. García (1992), “Rates of deforestation in Los Tuxtlas, a neotropical
area in southeast Mexico”, Conservation Biology, no. 6, pp. 84-90.
DOF (2000), Decreto de la Reserva de la Biósfera Mariposa Monarca, Diario Oficial de la
Federación [http://dof.gob.mx/index.php?year=2000&month=11&day=10 Órgano
del Gobierno Constitucional de los Estados Unidos Mexicanos, 10 de nov. de 2000
(con acceso: 4 marzo 2010)].
262 . Bibliografía
Domínguez Morales, L. (2008), El deslizamiento del 4 de noviembre de 2007 en la co-

munidad Juan de Gravalda, municipio de Ostuacan, Chiapas, y su relación con el
frente frío n° 4, Centro Nacional de Prevención de Desastres (CENAPRED), internal
report.
DxO Laboratories (2012), URL: http://www.dxo.com/intl/photo (con acceso en enero
de 2012).
ERMEXS (2012) [http://www.aserca.gob.mx/artman/uploads/0810000001305.pdf (con-
sultada 20/01/2012)].
ESRI (2010), ArcGIS software, Environmental System Research Institute.
Eva, H. and E. F. Lambin (1998), “Remote sensing of biomasa burning in tropical re-
gions: sampling issues and Multisensor approach”, Remote Sensing of Environment,
no. 64, pp. 292-315.
Everitt, J. H. and D. E. Escobar (1995), “Using video imaging technology for remote
sensing of natural resources”, VII SELPER, noviembre, Puerto Vallarta, Jalisco, Mé-
xico, pp. 753-773.
Everitt, B. S., S. Landau and M. Leese (2001), Cluster analysis, Arnold, New York,
Oxford University, London.
Falconer, K. (1995), Fractal geometry: mathematical foundations and applications, Willey,
New-York.
Ferguson-Lees, J. and D. A. Christie (2006), Raptors of the World, Princeton University
Press, Princeton, New Jersey.
Field, A. (2005), Discovering statistics using SPSS for windows: advanced techniques for
beginners (Introducing Statistical Methods), second ed., Sage Publications, Thousand
Oaks, CA.
Flores, V. O. y P. Gerez (1988), Conservación en México: síntesis sobre vertebrados terres-
tres, vegetación y uso del suelo, Instituto Nacional de Investigaciones sobre Recursos
Bióticos, Conservación Internacional, México.
Forman, R. T. T. and M. Gordon (1986), Landscape Ecology, Wiley, New York.
Fort, M. and J.-P. Peulvast (1995), “Catastrophic mass-movements and morphogenesis
in the Peri-Tibetan Ranges: examples from West Kunlun, East Pamir and Ladakh”,
in Slaymaker O. (ed.), Steepland Geomorphology, Wiley, Chichester, pp. 171-198.
Fox, N. (1995), Understanding the bird of prey, Hancock House Publishers.
FRA (2005), Term and definitions. Global Forest Resources Assessement Update, Forestry
Department, Food and Agriculture Organization of the United Nations.
Frankel, O. H. and M. E. Soulé (1981), Conservation and evolution, Cambridge Univer-
sity Press, Cambridge, England.
Freij-Ayoub, R., J. Underschultz, F. Li, C. Trefry, A. Hennig, C. Otto and K. McIn-
nes (2007), Simulation of coastal subsidence and storm wave inundation risk in the
Gippsland Basin, Report number 07-003. Wealth from Oceans Flagship.
Bibliografía . 263
Gárate Lizárraga, I. y L. A. Martínez (1997), “Primer registro de una marea roja de Pro-
rocentrum mexicanum (Prorocentaceae) en aguas del Golfo de California”, Revista
de Biología Tropical, núm. 45, pp. 1263-1271.
Giron, B. A., B. A. Millsap, K. W. Cline and D. M. Bird (eds.; 1987), Raptor Manage-
ment Techniques Manual, National Wildlife Federation, Washington, D.C.
Gobierno del Estado de Veracruz (1991), Los Tuxtlas: propuesta para su conservación y
desarrollo integral, México.
González, C. (2002), “Pigmentos fotosintéticos” [http://www.botanica.cnba.uba.ar/
Trabprac/Tp6/Pigmentos.htm; consultado 16 de marzo de 2009].
González Díez, A., J. Remondo, J. R. Díaz de Terán and A. Cendrero (1999), “A
methodological approach for the analysis of the temporal occurrence and trigge-
ring factors of landslides”, Geomorphology, no. 30, pp. 95-113.
González Silvera, A. (2004), “Satellite observations of mesoscale eddies in the Gulfs of
Tehuantepec and Papagayo (Eastern Tropical Pacific)”, Deep-Sea Research, Elsevier,
pp. 587-600.
Gorte, B. G. H. and W. Koolhoven (1990), “Interpolation between isolines based on the
Borgefors distance transform”, ITC Journal, no. 3, pp. 245-247.
Guzzetti, F., A. Carrara, M. Cardinali and P. Reichenbach (1999), “Landslide hazard
evaluation: a review of current techniques and their application in a multi-scale
study, Central Italy”, Geomorphology, no. 31, pp. 181-216.
Guzzetti, F., B. D. Malamud, D. L. Turcotte and P. Reichenbach (2002), “Power-law
correlations of landslide areas in central Italy”, Earth and Planetary Science Letters,
no. 195, pp. 169-183.
Graf Montero, S., E. Santana, E. J. Peláez y B. F. Benz (1995), “La reserva de la biosfera
Sierra de Manantlán: un balance de ocho años de gestión”, Revista Universidad de
Guadalajara, “Conservación Biológica en México”, México.
Graham, R.W. and J. P. Mills (2000), “Small format digital cameras for aerial survey:
where are we now?”, Photogrammetric Record, vol. 16, no. 96, pp. 905-909.
GRASS Development Team (2012), Geographic Resources Analysis Support System (GRASS),
GNU (General Public License. http://grass.osgeo.org).
Hagan, J. M. and D. W. Johnston (eds.; 1992), Ecology and Conservation of Neotropical
Migrant Landbirds, Smithsonian, Washington, D.C.
Hammond, C., D. Hall, S. Miller and P. Swetik (1992), Level I Stability Analysis (LISA)
documentation for version 2.0, General Technical Report INT-285, US Department
of Agriculture, Forest Service, Intermountain Research Station, Ogden, UT.
Hansen, M., R. DeFries, J. R. Townshend, M. Carroll, C. Dimiceli and R. Sohl-
berg (2004), 500m MODIS Vegetation Continuous Field, University of Maryland,
Maryland [http://glcf.umiacs.umd.edu/data/modis/ (consultado 10 de septiembre
2009)].
264 . Bibliografía
Hashimoto T., M. Takagi, K. Kajiwara and Ch. Fujino (eds.; 1993), Remote Sensing
Note, Japan Association on Remote Sensing, Nihon Printing Co., Chiyodaku, To-
kio, Japan.
HEC-RAS (2011), US Army Corps of Engineers, Hydrologic Engineering Center River
Analysis System.
Hedrick, P. W. and P. S. Miller (1992), “Conservation genetics: techniques and funda-
mentals”, Ecological Applications, vol. 2, no. 1, pp. 30-46.
Hengl, T. (2006), “Finding the right pixel size”, Computers and Geosciences, no. 32,
pp. 1283-1298.
Heopffner, N. (2008), “Biogeochemical cycles”, Why Ocean Colour? The Societal Benefits
of Ocean-Colour Technology, IOCCG.
Hernández, A. (2003), Corrección geométrica de imágenes aéreas digitales, tesis de Licencia-
tura (Ingeniería en Computación), Facultad de Ingeniería, UNAM, México, pp. 1-94.
Hernández Gil, R. (2002), [http:forest.ula.ve/˜rebenhg; 8 de julio].
Herrera Silvera, J. A. (1994), “Correlaciones de parámetros hidrobiológicos de la Lagu-
na de Celestúm, Yucatán”, Anuario del Instituto de Ciencias del Mar y Limnología,
UNAM, México, vol. 21, no. 1-2, pp. 43-53.
Herron, R. C., T. D. Leming and J. Li (1989), “Satellite detected fronts and butterfish
aggregations in the northeastern Gulf of Mexico”, Continental Shelf Research, vol. 9,
no. 6, pp. 569-588.
Hoepffner, N. et al. (2008), “Biogeochemical cycles”, Why Ocean Colour?, The Societal
Benefits of Ocean-Colour technology, IOCCG.
Howard, J. A. (1991), Remote sensing of forest resources. Theory and application, Chap-
man & Hall, London.
Howell, S. N. G. and S. Webb (1995), A guide to the birds of Mexico and Northern Central
America, Oxford University Press.
Hui-Sheng, H. and F. Li-Min (2010), “Gyro-stabilized platform design for airborne pod
based on Elmo digital servo controller”, Electronic Design Engineering, 2010-10.
Hurst, H. E. (1951), “Long-term storage capacity of reservoirs”, Transactions of the Ame-
rican Society of Civil Engineering, no. 116, pp. 770-799.
Hutchinson, J. N. (1988), “General report morphological and geotechnical parameters
of landslides in relation to Geology and Hydrology”, in Bornnard, C. (ed.), Pro-
ceedings of the Fifth International Symposium on Landslides, A. A. Balkema, Rotter-
dam, Netherland, no. 1, pp. 3-35.
Ibarra Manríquez, G. y S. Sinaca (1987), Listados florísticos de México VII. Estación de
Biología Tropical Los Tuxtlas, Veracruz, Instituto de Biología, UNAM, México.
INE (1993), “Sierra de Santa Marta”, encuesta en Gómez Pompa, A. y R. Dirzo et al.
(comps.), Proyecto de evaluación de áreas naturales protegidas de México, SEDESOL.
México.
Bibliografía . 265
INEGI (1994), Ortofotos Claves E14a25C, E14a26B, E14a26A, E14a25F, E14a26E,

E14a26D, E14a35F, E14a35C, E14a36E, E14a36B, E14a36D, E14a36A, F14a86E,
E14a16B, F14a86F y E14a16C. México D.F.
INEGI (2000), Guasave, estado de Sinaloa, Cuaderno estadístico municipal, Instituto Na-
cional de Estadística Geografía e Informática, Aguascalientes, México.
INEGI (2006), Curvas digitales de la carta topográfica Chalco E14-B31, esc. 1:50 000,
Instituto Nacional de Estadística Geografía e Informática, Aguascalientes, México.
INEGI (2012a), Ortofoto Digital [http://mapserver.inegi.org.mx/prodgeog/cargaTema.
do?tema=4].
INEGI (2012b), Compendio de criterios y especificaciones técnicas para la generación de da-
tos e información de carácter fundamental [http://www.inegi.org.mx/inegi/spc/doc/
INTERNET/15-%20imagenes_digitales_ortorectificadas_fotogrametricamente.
pdf (con acceso en enero de 2012)].
INEGI (2012c), Continuo de elevaciones Mexicano CEM (2.0) [http://www.inegi.org.mx/
geo/contenidos/datosrelieve/continental/continuoelevaciones.aspx].
Ineter/COSUDE (2003–2005), Recomendaciones técnicas el estudio de la inestabilidad de
laderas, Instituto Nicaragüense de Estudios Territoriales, Managua.
Jäger, S. and G. F. Wieczorek (1994), Landslide susceptibility in the Tully Valley Area,
Finger Lakes Region, New York, US Geological Survey Open-File Report 94–615,
pp. 1-13 [/http://pubs.usgs.gov/of/1994/ofr-94-0615/tvstudy.htmS].
Jensen, J. R. (2004), Introductory digital image processing: a remote sensing perspective, 3rd
ed., Prentice Hall Series, New Jersey.
Jensen, J. R. (2007), Remote sensing of the environment: an earth resource perspective, 2nd
Ed., Upper Saddle River, NJ, Prentice Hall.
Jiang, X. and D. Qi (2009), “The research of gyro-stabilized platform & POS application
technology in airborne remote sensing”, International Symposium on Photoelectronic
Detection and Imaging 2009: Material and Device Technology for Sensors, Procee-
dings of the SPIE, volume 7381, pp. 73812A-73812A-8.
Johnson, S. C. (1967), “Hierarchical Clustering Schemes”, Psychometrika, no. 32,
pp. 241-254.
Johnson, D. R. (1981), The study of raptor populations, University Press of Idaho, Mos-
cow, Idaho.
Key, T., T. A. Warner, J. B. McGraw and M. A. Fajvan (2001), “A comparison of mul-
tispectral and multitemporal information in high spatial resolution imagery for
classification of individual tree species in a temperate Hardwood forest”, Remote
Sens. Environ., vol. 75, pp. 100-112.
Kidwell, K. (1991), NOAA polar orbiter data user´s guide, NOAA/NESDIS/NCDC/SDSD,
Washington, D. C.
King, D. J. (1992), “Development and application of an airborne multispectral digital
frame camera sensor”, Proc. XVII Congress of the ISPRS Commission I, Washington
D.C. August 2-14, pp. 190-192.
266 . Bibliografía
Kleinbaum, D. G. and M. Klein (2002), Logistic regression: a self-learning Text (Second

edition), Springer, New York.
Korup, O. (2005), “Geomorphic imprint of landslides on alpine river systems, southwest
New Zealand”, Earht surface processes and landforms, no. 30, pp. 783-800.
Kratzer, S., D. Bowers and P.B. Tett (2000), “Seasonal changes in colour ratios and opti-
cally active constituents in the optical case-2 waters of Menai Strait, North Wales”,
Int. J. Remote Sensing, vol. 21, no. 11, pp. 2225-2246.
Laliberte, A. S. and A. Rango (2009), “Texture and scale in object-based analysis of sub-
decimeter resolution unmanned aerial vehicle (UAV) imagery”, IEEE Transactions
on Geoscience and Remote Sensing, Special Issue on UAV Sensing Systems in Earth
Observation vol. 47, no. 3, pp. 761-770.
Lan, H. X., C. H. Zhou, L. J. Wang, H. Y. Zhang and R. H. Li (2004), “Landslide ha-
zard spatial analysis and prediction using GIS in the Xiaojiang watershed, Yunnan,
China”, Engineering Geology, no. 76, pp. 109-128.
Lang, A., J. Moya, J. Corominas, L. Schrott and R. Dikau (1999), “Classic and new
dating methods for assessing the temporal occurrence of mass movements”, Geo-
morphology, no. 30, pp. 33-52.
Lanly, J. P. (1989), “Forest resources of the world”, Proceedings Wildland Conference, 23-
26, Boston, MA, USA, USDA Forest Service, pp. 10-13.
Lee, C. Y. (1992), “Factors affecting the phytoplankton assemblages in tropical coastal
waters influenced by thermal effluent of a power plant”, Bulletin of Plankton Society
of Japan, vol. 39, no. 1, pp. 25-39.
Lee, J. and D. W. S. Wong (2001), Statistical Analysis with ArcView GIS, John Wiley &
Sons, USA.
Lee, S., J. H. Ryu, J. S. Won and H. J. Park (2004), “Determination and application of
the weights for landslide susceptibility mapping using an artificial neural network”,
Engineering Geology, no. 71, 289-302.
Legorreta Paulín, G. (1999), Procesos geomorfológicos en el volcán Parícutin, tesis de Maes-
tría, Facultad de Filosofía y Letras. Colegio de Geografía, UNAM, México.
Legorreta Paulín, G. and M. Bursik (2006), “LOGISNET: a tool for multimethod, multi-
layer slope stability analysis”, Proceedings of the 3rd biennial meeting of the Interna-
tional Environmental Modeling and Software Society, Burlington, Vermont [http://
www.iemss.org/iemss2006/sessions/all.html#S11].
Legorreta Paulín, G. and M. Bursik (2008), “Logisnet: a tool for multimethod, multiple
soil layers slope stability analysis”, Computers and Geosciences.
Libes, S. M. (1992), An introdcution to marine biogeochemistry, Wiley, New York.
López García, J. (2006), Análisis de Cambio de la Cobertura Forestal en la Reserva de la
Biósfera Mariposa Monarca (2005-2006), Reporte al Fondo Monarca, México.
López García, J. (2007), Análisis de cambio de la cobertura forestal en la Reserva de la Biós-
fera Mariposa Monarca (2006-2007), Fondo para la Conservación de la Mariposa
Monarca (WWF y FMCN), agosto, México.
Bibliografía . 267
López García, J. (2009), “Análisis de cambio en la cobertura forestal en la zona núcleo

de la Reserva de la Biósfera Mariposa Monarca: 2003-2006”, en Aguirre Gómez,
R. (coord.), Conceptos y aplicaciones de la Geomática en México, Geografía para el
siglo XXI, Serie Libros de Investigación, núm. 5, Instituto de Geografía, UNAM,
México, pp. 195-210.
López García, J. and V. Caselles (1991), “Mapping burns and natural reforestation using
Thematic Mapper Data”, Geogarto International, no. 1, pp. 31-37.
López, F. (2006), Formación de mosaicos ortorectificados utilizando imágenes aéreas di-
gitales, tesis de Licenciatura en Geografía, Facultad de Filosofía y Letras, UNAM,
México.
Lugo Hubp, J. (1989), Diccionario geomorfológico, Instituto de Geografía, UNAM, México.
Luna Bauza, C. (1994), Crónica de los huracanes en el estado de Veracruz, Colección
Testimonios No. 6, Editora del Gobierno del Estado de Veracruz-Llave, Xalapa.
Madej, M. A., C. O´Sullivan and N. Varnum (1986), An evaluation of land use, hydro-
logy, and sediment yield in the Mill Creek watershed, Northern California, Redwood
National park Research and Development Technical Report 17, Arcata, California.
Mandelbrot, B. (1983), The fractal geometry of nature, Freeman, San Francisco.
Mandelbrot, B. (2002), Gaussian Self-Affinity and Fractals, Springer, New-York.
McClain, E. P., W. G. Pichel and C. C. Walton (1985), “Comparative performance of
AVHRR-based multichannel sea surface temperature”, Journal of Geophysical Re-
search, no. 90, pp. 11587-11601.
McGrew, J. Ch. Chapman and B. Monroe (2009), An introduction to statistical problem
solving in Geography, 2nd ed., Waveland Press.
Marlon, R. L., E. Roderick and P. Trevor (1985), “Absorption and photosynthetic action
spectra for natural phytoplankton population: implications for production in the
open ocean”, Limnol. Oceanogr., American Society of Limnology and Oceanogra-
phy, Inc., vol. 30, no. 4, pp. 794-806.
Martín, M. P., I. Gómez and E. Chuvieco (2005), “Performance of a burned-area index
(BAIM) for mapping Mediterranean burned scars from MODIS data”, in Riva, J.,
F. Pérez Cabello and E. Chuvieco (eds.), Proccedings of the 5th International Work-
shop on Remote Sensing and GIS applications to Forest Fire Management: fire Effects
Assessment, Universidad de Zaragoza, Gofc-Gold, EARSeL, Paris, pp. 193-198.
Martínez López, A., D. C. Escobedo Urías, A. E. Ulloa Pérez and R. Aguirre Gómez
(2008), “Dynamics of a Prorocentrum minimum bloom along the northern coast of
Sinaloa, Mexico”, Continental Shelf Research, no. 28, pp. 1693-1701.
Mas, J. F., A. Velásquez, J. L. Palacio Prieto, G. Bocco, A. Peralta Higuera and J. Prado
(2002), Assessing Forest Resources in Mexico: Wall-to-Wall Land Use/Cover Mapping,
PE&RS, October, pp. 966-968.
Matheron, G. (1967), Eléments pour une théorie des milieux poreux, Masson, Paris.
Matheron, G. (1975), Sets and Integral Geometry, Wiley, New York.
268 . Bibliografía
Mee, L. D., M. Espinosa and G. Díaz (1986), “Paralytic shellfish poisoning with a Gym-
nodinium catenatum red tide on the Pacific coast of Mexico”, Marine Environmen-
tal Research, no. 19, pp. 77-92.
Meisina, C. and S. Scarabelli (2007), “A comparative analysis of terrain stability models for
predicting shallow landslides in colluvial soils”, Geomorphology, no. 87, pp. 207-223.
Menard, S. (2002), Applied logistic regression analysis, second ed., Sage Publications,
Thousand Oaks, CA.
Metternicht, G., L. Hurni and R. Gogu (2005), “Remote sensing of landslides: an analy-
sis of the potential contribution to geo-spatial systems for hazard assessment in
mountainous environments”, Remote Sensing of Environment, no. 98, pp. 284-303.
Miles, S. B. and C. L. Ho (1999), “Rigorous landslide hazard zonation using Newmark’s
method and stochastic ground motion simulation”, Soil Dynamics and Earthquake
Engineering, no. 18, pp. 305-323.
Mills, J. P., I. Newton and R. W. Graham (1996), “Aerial photography for survey purpo-
ses with a high resolution, small format, digital camera”, Photogrammetric Record,
October, vol. 15, no. 88, pp. 575-587.
Miranda Martínez, M. E., K. Oleschko, J.-F. Parrot, F. Castrejón Vacio, H. Taud y F. Bram-
bila Paz (2006), “Porosidad de los yacimientos naturalmente fracturados: una clasifi-
cación fractal”, Revista Mexicana de Ciencias Geológicas, vol. 23, núm. 2, pp. 199-214.
Montgomery, D. R. and W. E. Dietrich (1994), “A physical based model for the topogra-
phic control on shallow landslides”, Water Resources Research, no. 30, pp. 1153-1171.
Morgan, M. (2004), Epipolar resampling of linear array scanners scenes, Ph.D Thesis,
University of Calgary.
Morrissey, M. M., G. F. Wieczorek and B. A. Morgan (2001), A comparative analysis of
hazard models for predicting debris flows in Madison County, Virginia, US Geological
Survey Open-File Report 01-0067 [/http://pubs.usgs.gov/of/2001/ofr-01-0067/ofr-
01-0067.htmlS].
Mooser, F. (1972), “The Mexican volcanic belt: structure and tectonics”, Geofis. Int., no. 12,
pp. 55-70.
Muñoz, P., S. Avaria y M. Farías (1991), “Uso de información satélite en el estudio de un
nuevo fenómeno de marea roja en la Bahía de Valparaíso, Chile”, Revista de Biología
Marina, Valparaíso, vol. 26, núm. 2, pp. 415-435.
NASA (2011), Earth Observatory [http://earthobservatory.nasa.gov/Features/Measurin-
gVegetation/measuring_vegetation_2.php (con acceso en enero de 2011)].
Navarro Olache, L. F., M. F. Lavín and A. Z. Álvarez Sánchez (2004), “Internal
structure of SST features in the central Gulf of California”, Deep-Sea Research Part
II, Elsevier, pp. 673-687.
Neumann, K. J. (2005), Digital Aerial Cameras. Intergraph Z/I Deutschland GMBH,
pp. 1-5 [http://icaci.org/documents/ICC_proceedings/ICC2009/html/non-
ref/1_6.pdf (acceso: enero de 2012)].
Newton, I. (2000), Birds of Prey, Weldon Owen Inc., reprint edition.
Bibliografía . 269
Ochoa Tejeda, V. (2004), Propuesta metodológica para el estudio de la inestabilidad de

laderas a partir de los MDE y la Percepción Remota. Sierra Norte de Puebla: México,
tesis de Maestría, Facultad de Filosofía y Letras, UNAM, México.
Ochoa Tejeda, V. (2009), Control estructural de la inestabilidad de laderas: modelación
tridimensional de los rasgos geológicos. Aplicación al estudio de los procesos de remoción
en masa de La Soledad, Sierra Norte de Puebla, México, tesis de Doctorado, UNAM,
México.
Ochoa Tejeda, V. (2010), Etude des facteurs favorables au déclenchement des glissements de
terrain dans les formations superficielles et les affleurements rocheux de la Sierra Norte
de Puebla (Mexique), Université Paris 7 Denis Diderot, Paris France.
Ohlmacher, G. C. and J. C. Davis (2003), “Using multiple logistic regression and GIS
technology to predict landslide hazard in northeast Kansas, USA”, Engineering Geo-
logy, no. 69, pp. 331-343.
Olendorff, R. R. (1993), Biology and management of ferruginous hawk (Buteo regalis): a
review, Occasional Papers Number 1, Raptor Research and Technical Assistance
Center, U.S. Bureau of Land Management, Boise, Idaho, USA.
Oleschko K., R. P. Brambila, F. P. Brambila, J.-F. Parrot and P. G. López (2000), “Frac-
tal ana-lysis of Teotihuacan, Mexico”, J. Archaeological Science, vol. 27, no. 11,
pp. 1007-1016.
Oleschko, K., J.-F. Parrot, G. Ronquillo, S. Soba, G. Stoops and V. Marcelino (2004),
“Weathering: toward a fractal quantifying”, Mathematical Geology, vol. 36, no. 5,
pp. 607-627.
Oleschko, K., G. Korvin, A. Muñoz, J. Velásquez, M. E. Miranda, D. Carreon, L. Flo-
res, M. Martínez, M. Velásquez Valle, F. Brambilla, J.-F. Parrot and G. Ronquillo
(2008), “Fractal mapping of soil moisture content from remote sensed multi-scale
data”, Nonlinear Processes in Geophysics Journal (special issue on nonlinear and scaling
processes in hydrology and soil science), no. 15, pp. 711-725.
O’Loughlin, E. M. (1986), “Prediction of surface saturation zones in natural catchments
by topographic analysis”, Water Resources Research, no. 22, pp. 794-804.
Opazo Saldivia, S. y E. Chuvieco Salinero (2007), “Utilización de productos MODIS
para la cartografía de áreas quemadas”, Revista de Teledetección, núm. 27, pp. 27-43.
Ortega Guerrero, M. A., D. Rudolph and J. A. Cherry (1999), “Analysis of long-term
land subsidence near Mexico City: investigations and predictive modeling”, Water
Resources Research, vol. 35, no. 11, pp. 3327-3341.
Ortiz Zamora, D. C. and M. A. Ortega Guerrero (2010), “Evolution of long-term land
subsidence near Mexico City: review, field investigations and predictive simula-
tions”, Water Resources Research, no. 46, W01513.
Osman-Akan, A. and R. Houghtalen (2003), Urban Hydrology, hydraulics and stor-
mwater quality: engineering applications and computer modeling, John Wiley and
Sons.
OziPhoto Tool (2012) [http://www.oziphototool.com (con acceso en enero de 2012)].
270 . Bibliografía
Pack, R. T., D. G. Tarboton and C. N. Goodwin (2001), “Assessing terrain stability in

a GIS using SINMAP”, Proceedings of the 15th Annual GIS Conference, Vancouver,
British Columbia [http://hydrology.neng.usu.edu/sinmap/].
Pack, R. T., D. G. Tarboton and C. N. Goodwin (1998), “The SINMAP approach to
terrain stability mapping”, Proceedings of the Eighth Congress of the International
Association of Engineering Geology, Vancouver, British Columbia, Canada [http://
hydrology.neng.usu.edu/sinmap/].
Pack, R. T., D. G. Tarboton and C. N. Goodwin (1997), SINMAP- A Stability Index
Approach to Terrain Stability Hazard Mapping – Users Manual [http://hydrology.
neng.usu.edu/sinmap/].
Palacio Prieto, J. L., G. Bocco, A. Velázquez, J.-F. Mas et al. (2000), “La condición
actual de los recursos forestales en México: resultados del Inventario Forestal Na-
cional 2000”, Investigaciones Geográficas, Boletín, núm. 43, Instituto de Geografía,
UNAM, México, pp. 183-202.
Pallant, J. (2005), SPSS survival manual: a step by step guide to data analysis using SPSS for
Windows (Version 12), Open University press, Buckingham.
Palma Muñoz, M. F. (1997), Delimitación de unidades ambientales en el sur del valle de
México, con ayuda de sistemas de información geográfica y percepción remota, tesis de
Licenciatura, Facultad de Ciencias, UNAM, México.
Pare, L., E. Ortilla, F. Ramirez, E. Rodríguez Luna, H. Narvae y S. Guevara (1992),
Los Tuxtlas: plan para su conservación y desarrollo integral, Gobierno del Estado de
Veracruz y Universidad Veracruzana, Xalapa.
Parise, M. (2001), “Landslide mapping techniques and their use in the assessment of the
landslide hazard”, Physics and Chemistry of the Earth, Part C: Solar, Terrestrial and
Planetary Science, no. 26, pp. 697-703.
Parker, J. R. (1994), Practical computer vision using C, Wiley & Sons, New-York.
Parker, D. C., T. Berger and S. M. Manson (2001), “Agent-based models of land-use and
land cover”, Report and Review of an International Workshop, October 4-7, Irvine,
California, USA. LUCC Report Series no. 6,
Parker, D. C., S. M. Manson, M. A. Janssen, M. J. Hoffman and P. Deadman (2002),
“Multi-agent systems for the simulation of land-use and land-cover change: a re-
view”, Forthcoming, Annals of the Association of American Geographers.
Parrot, J.-F. (1992), Brod_tab.exe : Transformation des courbes de niveaux 8 bits en
courbes altimétriques. LGGST ORSTOM, doc. interne, 4 p. multigr.
Parrot J.-F. (2003), Versión española y adaptación de los algoritmos Brod_tab.exe y
Newmiel.exe (inédito) Brod4_mx.exe y Miel4_mx.exe.
Parrot, J.-F. (2004a), Superpos.exe (Instituto de Geografía, programa interno).
Parrot, J.-F. (2004b), “New-Miel”, en Parrot, J.-F. y V. Ochoa Tejeda (2004), Generación
de Modelos Digitales de Terreno raster. Método de Digitalización, Geografía para el
Siglo XXI, serie libros digitales, núm. 1, Instituto de Geografía, UNAM (en línea).
Parrot, J.-F. (2005), Multidim_class.exe (Instituto de Geografía, programa interno).
Bibliografía . 271
Parrot, J.-F. (2006), Software TLALOC (Tridimensional Landscape Análisis. Local

Operating Computation), Versión 01, número de certificado UNAM: 03-2006-
09211451400-01.
Parrot, J.-F. (2007), “Tri-dimensional parametrisation: an automated treatment to study
the evolution of volcanic cones”, Geomorphologie, no. 3, pp. 247-258.
Parrot, J.-F. (2009a), BVS. (Instituto de Geografía, programa interno).
Parrot, J.-F. (2009b), Software FROG_V1, UNAM (número de certificado INDA (Instituto
Nacional de Derecho de Autor): 03-2010-012812384700-01
Parrot, J.-F. (2009c), “DEM simulation of petroleum flux extension and diffusion due
to pipeline ruptures in Mexico”, in Anderssen, R. S., R. D. Braddock and L.T.H.
Newham (eds.), 18th World IMACS Congress and MODSIM09 International Congress
on Modelling and Simulation. Modelling and Simulation Society of Australia and
New Zealand and International Association for Mathematics and Computers in Simu-
lation, July, pp. 2701-2705.
Parrot, J.-F. (2010), Charcos (software inédito).
Parrot, J.-F. (2012), Software FROG_V2, UNAM (depositado, Instituto Nacional de De-
recho de Autor): en dictamen.
Parrot, J.-F. et H. Taud (1993). Newmiel.exe: Interpolation multidirectionelle. LGGST
ORSTOM, doc. interne, 7 p. multigr.
Parrot, J.-F. and B. Collet (2009), “Simulation of lithospheric plate collision by using
DEM. Example of the Arabian platform motion”, in Anderssen, R. S., R. D.
Braddock and L.T.H. Newham (eds.), 18th World IMACS Congress and MODSIM09
International Congress on Modelling and Simulation. Modelling and Simulation So-
ciety of Australia and New Zealand and International Association for Mathematics
and Computers in Simulation, July, pp. 1052-1058.
Parrot, J.-F., N. Lyberis, B. Lefoconnier and Y. G. Manb (1993), “SPOT multiespectral
data and digital terrain model for the analysis of ice-snow fields on Arctic glaciers”,
IJRS, vol. 14, no. 3, pp. 425-440.
Parrot, J.-F. y V. Ochoa Tejeda (2005), Generación de Modelos Digitales de Terreno raster.
Método de digitalización, Geografía para el siglo XXI, Serie Textos universitarios,
Instituto de Geografía, UNAM.
Parrot, J.-F. and V. Ochoa Tejeda (2008), “Active landslide traces in mountainous areas
extracted by using high resolution satellite images and high resolution DEM”, IAG
Regional Conference on Geomorphology, Brasov, Romania, September 15-26.
Pasuto, A. and M. Soldati (1999), “The use of landslide units in geomorphological map-
ping: an example in the Italian Dolomites”, Geomorphology, no. 30, pp. 53-64.
Peláez, J. (1987), “Satellite images of a red tide episode off Southern California”, Ocea-
nologica Acta, vol. 10, no. 4, pp. 403-410.
Pennington, T. D. y J. Sarukhán (2005), (3rd. ed.), Árboles tropicales de México. Manual
para la identificación de las principales especies, UNAM/FCE, México.
272 . Bibliografía
Pentland, A. (1984), “Fractal based description of natural scenes”, IEEE Transactions on

Pattern Analysis and Intelligence, Pami-6, no. 6, pp. 661-674.
Peralta Fabi, R., A. Peralta Higuera, J. Prado, E Vicente y M. Navarrete (1991), “CCD
image acquisition for multispectral teledetection”, SPIE Symposium on Electronic
Imaging: Science and Technology, San José, California, USA, February 9-14, SPIE
proceedings, vol. 1656, pp. 350-358.
Peralta Higuera, A., J. López, E. Rendón Salinas, J. Honey, D. Newman, J. Carranza,
J. Prado Molina and L. P. Brower (2003), Airborne digital photography as a tool for
the management of the Monarch Butterfly Biosphere Reserve, ASPRS 19th Biennial
Workshop on Color Photography, Videography and Airborne Imaging for Resour-
ce Assessment, Logan, Utah, October 6-8.
Peralta Higuera, A., J. Prado Molina, E. Cabral Cano and O. Díaz Molina (2005),
“A comparison of small-format digital vs. metric aerial cameras for medium to
large-scale mapping”, 20th Biennial Workshop on Color Photography, Videography
and High Resolution Digital Imagery for Resource Assessment, American Society for
Photogrammetry and Remote Sensing (ASPRS), Weslaco, Texas, October 4-6,
pp. 1-6 [CD].
Peralta Higuera, A. et al. (2001a), “Aerial digital photography as a tool for watershed
management in Central Mexico”, 18th Biennial Workshop on Color Photography &
Videography in Resource Assessment, American Society for Photogrammetry and Re-
mote Sensing, Amherst, Massachusetts, May 16-18, Work No. 19, pp. 1-6.
Peralta Higuera, A. et al. (2001b), “Nationwide sampling of Mexico with airborne di-
gital cameras: an image database to validate the interpretation of satellite data”,
18th Biennial Workshop on Color Photography & Videography in Resource Assessment,
American Society for Photogrammetry and Remote Sensing, Amherst, Massachu-
setts, May 16-18, Work No. 20, pp. 1-8.
Peralta Higuera, A. et al. (2001c), “The use of digital aerial photographs in the study of
the overwintering areas of the Monarch Butterfly in Mexico”, 18th Biennial Work-
shop on Color Photography & Videography in Resource Assessment, American Society
for Photogrammetry and Remote Sensing, Amherst, Massachusetts, May 16-18,
Work No. 21, pp 1-9.
Peralta Higuera, A. et al. (2005), “Quantification of irregular settlements over conserva-
tion land in Southern Mexico City”, 20th Biennial Workshop on Color Photography,
Videography and High Resolution Digital Imagery for Resource Assessment, American
Society for Photogrammetry and Remote Sensing (ASPRS), Weslaco, Texas, Octo-
ber 4-6 [CD], Work No.63, pp.1-8.
Peralta Higuera, A., H. Alafita and J. Prado Molina (2007, “Measuring shoreline change
and mangrove damage after hurricane Wilma in the Mayan Riviera using color
and near-infrared digital cameras”, 21st Biennial Workshop on Aerial Photography,
Videography and High Resolution Digital Imagery for Resource Assessment, American
Bibliografía . 273
Society for Photogrammetry and Remote Sensing (ASPRS), Terre Haute, Indiana,
May 15-17.
Pereira, J. M. C., A. C. L. Sá, A. M. O. Sousa and J. M. N. Silva (1999), “Spectral cha-
racterization and discrimination of burnt areas”, in Chuvieco, E. (ed.), Remote sen-
sing of large wildfires in the European Mediterranean Basin, Springer, pp. 123-138.
Pérez Higareda, G., R. C. Vogt y O. Flores Villela (1987), Lista anotada de los anfibios y
reptiles de la región de Los Tuxtlas, Veracruz, Instituto de Biología, UNAM, México.
Peterson, R. T. y E. L. Chalif (1998), Aves de México. Guía de campo: identificación de
todas las especies encontradas en México, Guatemala, Belice y El Salvador, 3ª. reimp.,
Diana, México.
Philip, G., D. Donoghue, A. Beck and N. Galiatsatos. (2002), “CORONA satellite pho-
tography: an archaeological application from the Middle East”, Antiquity, no. 76,
pp. 109-18.
PhotoShop CS5 (2012), Adobe PhotoShop CS5 [http://www.adobe.com/products/creati-
vesuite.html (con acceso en enero de 2012)].
Pouliot, D. A. and D. J. King (2005), “Approaches for optimal automated tree crown
detection in young regenerating coniferous forest”, Canadian Journal of Remote
Sensing, no. 31, pp. 256-267.
Prado Molina, J., G. Bisiacchi, J. L. Palacio Prieto, A. Peralta Higuera, J. M. Becerril,
M. Rodríguez, R. Bermúdez y U. Martínez (2000a), “Sistema de adquisición de
imágenes aéreas digitales de alta resolución”, SOMI XV Congreso Nacional de Instru-
mentación, Guadalajara, Jalisco, México, octubre 16-20, pp. 1-6 [CD].
Prado Molina, J., G. Bisiacchi, J. M. Becerril y M. Rodríguez (2000b), “Implementación
de un sistema de navegación inercial para orientación y control de una plataforma
aérea”, SOMI XV Congreso Nacional de Instrumentación, Guadalajara, Jalisco, Méxi-
co, octubre 16-20, pp. 1-8 [CD].
Prado Molina, J., A. Hernández and A. Peralta Higuera (2003), “Small-format camera
calibration and geometric distortion removal in digital aerial images”, Proceedings
of the ASPRS 19th Biennial Workshop on Color Photography, Videography and Airbor-
ne Imaging for Resource Assessment, October 6-8, Logan, Utah (American Society
for Photogrammetry and Remote Sensing, Bethesda, Maryland), [CD-ROM].
Prado Molina, J. y A. Peralta Higuera (2005), “Diagnosis and delimitation of a natural
protected area using high-resolution multispectral images”, 20th Biennial Workshop
on Color Photography, Videography and High Resolution Digital Imagery for Resource
Assessment, American Society for Photogrammetry and Remote Sensing (ASPRS),
Weslaco, Texas, October 4-6, pp. 1-8 [CD].
Prado Molina, J., A. Peralta Higuera, J. L. Palacio Prieto and R. Sandoval (2006), “Air-
borne high-resolution digital imaging system”, Journal of Applied Research and Te-
chnology, vol. 4, no. 1, pp. 3-23.
274 . Bibliografía
Prado Molina, J., A. Peralta Higuera, G. Galindo and L. A. Olvera (2007), “The use of
color and near-infrared images acquired with small-format digital cameras in the
identification of sites affected by pests over a large area in San Luis Potosí, Mexi-
co”, 21st Biennial Workshop on Aerial Photography, Videography and High Resolution
Digital Imagery for Resource Assessment, American Society for Photogrammetry and
Remote Sensing (ASPRS), Terre Haute, Indiana, May 15-17.
Prado Molina, J., J. A. Quintero Pérez, A. R. Rosales, A. Peralta Higuera, M. A. Ra-
mírez y M. Zamora (2012), “Elaboración de cartas aeronáuticas OACI: planos de
obstáculos de aeródromo, a partir de imágenes aéreas digitales de alta resolución”,
Investigaciones Geográficas, Boletín, núm. 79, Instituto de Geografía, UNAM, Mé-
xico, pp. 75-96.
Prado Molina, J., A. Peralta Higuera, J. L. Palacio Prieto and R. Sandoval (2006), “Air-
borne high-resolution digital imaging system”, Journal of Applied Research and Te-
chnology, vol. 4, no. 1, pp. 3-23.
Prado Molina, J., A. Peralta Higuera, G. Galindo and L. A. Olvera (2007), “The use of
color and near-infrared images acquired with small-format digital cameras in the
identification of sites affected by pests over a large area in San Luis Potosí, Mexi-
co”, 21st Biennial Workshop on Aerial Photography, Videography and High Resolution
Digital Imagery for Resource Assessment, American Society for Photogrammetry and
Remote Sensing (ASPRS), Terre Haute, Indiana, May 15-17.
Prado Molina, J., A. Peralta Higuera y J. López García (2008), “Utilización de imágenes
aéreas digitales de pequeño formato para la evaluación de desastres”, XIII Simposio
de la Sociedad Latinoamericana de Percepción Remota y Sistemas de Información Es-
pacial, La Habana, Cuba, septiembre 22-26, pp. 1-8.
Pratt, W. K. (1978), Digital image processing, Wiley, New-York.
Preston, C. R. and R. B. Beane (1993), Diurnal raptor species occurence and distribution
in relation to human activity and other factors at Rocky Mountain Arsenal, Colorado,
Department of Zoology, Denver Museum of Natural History.
PTlens (2012) [http://epaperpress.com/ptlens/].
Qin, S., J. J. Jiao and S. Wang (2002a), “A nonlinear dynamical model of landslide evo-
lution”, Geomorphology, no. 43, pp. 77-85.
Qin, S., J. J. Jiao, S. Wang and H. Long (2002b), “A nonlinear catastrophe model of
instability of planar-slip slope and chaotic dynamical mechanisms of its evolutio-
nary process”, International Journal of Solids and Structures, no. 38, pp. 8093-8109.
Ralls, K. and J. D. Ballou (eds.; 1986), “Proceedings of the workshop on genetic mana-
gement of captive populations”, Zoo Biology, vol. 5, no. 2.
Ramírez, M. A. (2011), Adquisición de imágenes aéreas digitales su procesamiento, aprove-
chamiento a través de fotografía digital y herramientas SIG, Informe académico por
actividad profesional, Licenciatura en Geografía, Facultad de Filosofía y Letras,
UNAM, pp. 1-65.
Bibliografía . 275
Ramos, M. A. (1985), “Endangered tropical birds in Mexico and northern Central Ame-
rica”, in Diamond, A. W. and T. E. Lovejoy (eds.), Conservation of tropical forest
birds, ICBP Technical Publication No. 4, pp. 305-318.
Richard, J. F. et N. L. Beroutchachvili (1996), “Vers l’élaboration d’un système
d’information sur les paysages du monde” / “Towards the development of an infor-
mation system on the landscapes of the world”, Cahiers des Sciences Humaines de
l’Orstom, Paris, vol. 32, no. 4, pp. 823-842.
Richards, J. A. and X. Jia (2005), Remote sensing digital image analysis, Springer Verlag,
Berlín (4th edition).
Richards, J. and X. Jia (2006), Remote sensing digital image analysis, 4th edition, Springer.
Riley J. P. y R. Chester (1989), Introducción a la Química Marina”, AGT Editor.
Robinson, I. S. (1985), Satellite Oceanography. An introduction for oceanographers and
remote sensing scientists, Ellis Horwood Press, John Wiley, p. 455.
Robinson, J. M. (1991), “Fire from space: global fire evalution using infrared remote
sensing”, International Journal of Remote Sensing, no. 12, pp. 3-24.
Roy, D., P. E. Lewis and C. O. Justice (2002), “Burned area mapping using multi-
temporal moderate spatial resolution date-a bi-directional reflectance model-based
expectation approach”, Remote Sensing of Environment, no. 83, pp. 263-286.
Ruiz Luna, A. y G. de la Lanza Espino (1999), Sistemas rurales de producción camaroní-
cola en Guasave, Sinaloa y norte de Nayarit (descripción física, entorno y ubicación),
CIAD-IBUNAM.
Salmerón García O. (2009), “La producción pesquera en el Golfo de México y su re-
lación con los procesos oceanográficos a partir de datos satelitales”, en Aguirre
Gómez, R. (coord.), Conceptos de Geomática y estudios de caso en México, Geografía
para el siglo XXI (Serie Libros de Investigación, núm. 5), Instituto de Geografía,
UNAM, México, pp. 315-330.
Salmerón Garcia, O. (2010), “Regionalization of the Gulf of Mexico from space-time
chlorophyll-a concentration variability”, Ocean Dynamics.
Santamaría del Ángel, E., S. Álvarez Borrego and F. E. Müeller Karger (1994), “The
1982-1984 El Niño in the Gulf of California as seen in the coastal zone color scan-
ner imagery”, Journal of Geophysical Research, no. 99, pp. 7423-7431.
Savanah Simulations (2010), Flood Area software.
SeaSpace (1999), Terascan Reference Manual.
SeaSpace Corporation (2009), SeaSpae [http://www.seaspace.com/technical/html/
man7/nitpix.html].
Selby, M. J. (1993), Hillslope materials and process, Oxford University Press, Oxford.
Schonewald Cox, C. M., S. M. Chambers, B. MacBryde and L. Thomas (eds.; 2004),
Genetics and conservation, The Blackburn Press.
Schmeiser, B. W. (1990), “Simulation methods”, in Heyman, D. P. and M. J. Sobel
(eds.), Stochastic Models, North Holland.
276 . Bibliografía
Serra, J. (1982), Image Analysis and Mathematical Morphology (vol. 1), Academic Press,
London.
Serra, J. (1988), Image Analysis and Mathematical Morphology (vol. 2): Theoretical Ad-
vances, Academic Press, London.
Sevanez, H. N., L. Forman and G. Alves (1988), “Comparative chromosome morpholo-
gy in three callitrichid genera: Cebuella, Callithrix and Leontopithecus”, Journal of
Heredity, no. 79, pp. 131-134.
Sugumaran, R., M. K. Pavuluri and D. Zerr (2003), “The use of high-resolution ima-
gery for identification of urban climax forest species using traditional and rule-
based classification approach”, IEEE Transactions on Geoscience and Remote Sensing,
vol 41, no. 9, pp. 1933-1939.
Simon, A., A. Curini, S. E. Darby and E. J. Langendoen (2000), “Bank and near-bank
processes in an incised channel”, Geomorphology, no. 35, pp. 193-217.
Simon, A. and A. J. C. Collison (2002), “Quantifying the mechanical and hydrologic
effects of riparian vegetation on streambank stability”, Earth Surface Processes and
Landforms Earth Surf, Process, Landforms, no. 27, pp. 527-546.
Smith, R. N., S. H. Anderson, S. L. Cain and J. R. Dunk (2003), “Habitat and nest-
site use by red-tailed hawks in Northwestern Wyoming”, The Journal of Raptor
Research, vol. 37, no. 3, pp. 219-227.
SMN (2010), Precipitación pluvial diaria de la estación climatológica Chalco, 1961-2008,
Servicio Meteorológico Nacional, México.
Soulé, M. E. (ed.; 1986), Conservation biology: the science of scarcity and diversity, Sinauer,
Sunderland, Massachussetts, USA.
Soulé, M. E. (ed.; 1987), Viable populations, Cambridge University Press, Cambridge,
England.
Soulé, M. E. and K. A. Kohm (eds.; 1989), Research priorities for conservation biology,
Island Press, Washington, D.C.
Stangel, P. W., M. R. Lennartz and M. H. Smith (1992), “Genetic variation and popu-
lation structure of red-cockadaed woodpeckers”, Conservation Biology, vol. 6, no. 2.
Stotz, D. F., J. W. Fitzpatrick, T. A. Parker III and D. K. Moskovits (1996), Neotropical
Birds: Ecology and Conservation, The University of Chicago Press, Chicago and
London.
Strickland, J. D. and T. R. Parsons (1972), “A practical handbook of seawater analysis”,
Fisheries Research Bulletin of Canada, 2nd edition.
Taud, H., J.-F. Parrot and R. Álvarez (1999), “DTM generation by contour line dila-
tion”, Computer and Geosciences, no. 25, pp. 775-783.
Terborgh, J. and B. Winter (1980), “Some causes of extinction”, in Soule, M. E. and
B. A. Wilcox (eds.), Conservation Biology: an evolutionary-ecological perspective,
Sinauer, Sunderland, Massachusett, pp. 119-134.
Tobutt, D. C. (1982), “Monte Carlo simulation methods for slope stability”, Computers
and Geosciences, no. 8, pp. 199-208.
Bibliografía . 277
Tomlison, M. C., R. D. Stumpf, V. Ransibrahmanakul, E. W. Turby, G. J. Kirkpatrick

and B. A. Pederson (2004), “Evaluation of the use of SeaWifs imagery for detecting
Karenia Brevis harmful algal blooms in the eastern Gulf of Mexico”, Remote Sen-
sing of Environment, no. 3-4, vol. 91, Elsevier, pp. 293-303.
Torres Argüelles, V., K. Oleschko, A. M. Tarquis, G. Korvin, C. Gaona, J.-F. Parrot and
E. Ventura Ramos (2010), “Fractal metrology for biogeosystems analysis”, Biogeos-
ciences Discussions, no. 7, pp. 4749-4799.
Universidad de las Palmas de Gran Canaria (2003), Biblioteca digital [htpp—bdigital.
ulpgc.es-digital-texto-pdf-210471_0004.pdf (18 de diciembre de 2009)].
Valiela, I. (1995), Marine Ecological Processes, Second Edition, Springer, New York,
pp. 55-75.
Van Den Eeckhaunt, M., J. Poesen, G. Verstraeten, V. Vanacker, J. Moeyersons, J. Nys-
sen and L. P. H. Van Beek (2005), “The effectiveness of hillshade maps and ex-
pert knowledge in mapping old deep-seated landslides”, Geomorphology, no. 67,
pp. 351-363.
Van Den Eeckhaunt, M., A. Marre and J. Poesen (2010), “Comparison of two landslide
susceptibility assessments in the Champagne–Ardenne region (France)”, Geomor-
phology, no. 115, pp. 141-155.
Vásquez Méndez, R., E. Ventura Ramos, K. Oleschko, L. Hernadez Sandoval, J.-F. Pa-
rrot, and M. A. Nearing (2010), “Soil erosion and runoff in different vegetation
patches from semiarid Central Mexico”, Catena, no. 80, pp. 162-169.
Verma, S. (1983), “Magma genesis and chamber processes at Los Humeros caldera,
Mexico—Nd and Sr isotope data”, Nature, no. 302, pp. 52-55.
Visual Basic (2010), Microsoft software.
Waugh, J. D. and R. Pérez Gil (1992), “North America Regional Review”, IV World
Congress on National Parks and Protected Areas, Caracas, Venezuela, 10-21.
Wawer, R. and E. Nowocień (2003), “Application of SINMAP terrain stability model in
Grodarz stream watershed”, Electronic Journal of Polish Agricultural Universities.
Wilcox, B. A. (1980), “Insular ecology and conservation”, in Soulé, M. E. and B. A.
Wilcox (eds.), Conservation Biology, Sinauer Associates, Sunderland, Massachusett.
Wilcox, B. A., M. Buchner and P. R. Ehrlich (1988), Tropical deforestation and species
extinction: an assessment of the status of our knowledge and scientific needs, Review
document prepared for the World Wildlife Fund. Washington, D.C.
Wills, C. J. (2000), Landslides in the highway 101 corridor between Wilson Creek and
Crescent city, Del Norte County, California, California Department of Conserva-
tion, California Geological Survey, Sacramento, CA.
Wilson, E. O. (ed.; 1988), Biodiversity, National Academy Press, Washington, D.C.
Winker, K., R. J. Oehlenschlager, M. A. Ramos, R. M. Zink, J. H. Rappole and D. W.
Warner (1992), “Avian distribution and abundance records for the Sierra de los
Tuxtlas, Veracruz, Mexico”, Wilson Bull., vol. 104, no. 4, pp. 699-718.
278 . Bibliografía
Winsemius, H. C., H. H. G. Savenije, A. M. J. Gerrits, E. A. Zapreeva and R. Klees

(2005), “Comparison of two model approaches in the Zambezi river basin with
regard to model reliability and identifiability”, Hydrology and Earth System Sciences
Discussions 2, pp. 2625-2661.
Witt, A. C. (2004), “Using a Geographic Information System (GIS) to model slope ins-
tability and debris flow hazards in the French Broad River Watershed, North Ca-
rolina”, Proceedings of Northeastern Section (39th Annual) and Southeastern Section
(53rd Annual), Joint Meeting [http://gsa.confex.com/gsa/2004NE/finalprogram/
abstract_69868.htm].
Wolf, P. R. and B. A. Dewitt (2000), Elements of photogrammetry with applications in
GIS, Mc Graw Hill, pp. 1-608.
Wulder, M. A., R. J. Hall, N. C. Coops and S. E. Franklin (2004), “High spatial resolu-
tion remotely sensed data for ecosystem characterization”, Bio Science, vol. 54, no. 6,
pp. 511–521.
Wulder, M. (1998), “Optical remote-sensing techniques for the assessment of forest in-
ventory and biophysical parameters”, Progress in Physical Geography, vol. 22, no. 4,
pp. 449-476.
WWF (2009), Deforestación y degradación en la zona núcleo de la Reserva de la Biósfera
de la Mariposa Monarca 2008-2009, resumen ejecutivo [http://www.wwf.org.mx/
wwfmex/descargas/res_degradacion_deforestacion_monarca_2008-2009.pdf (con
acceso en enero de 2012)].
Yesilnacar, E. and T. Topal (2005), “Landslide susceptibility mapping: a comparison of
logistic regression and neural networks methods in a medium scale study, Hendek
region (Turkey)”, Engineering Geology, no. 79, pp. 251-266.
Zaitchik, B. F., H. M. Van Es and P. J. Sullivan (2003), “Modeling slope stability in
Honduras: parameter sensitivity and scale of aggregation”, Soil Science Society of
America Journal, no. 67, pp. 268-278.
Zha, Y., Y. Gao and S. Ni (2003), “Use of Normalized Difference Built-up Index in au-
tomatically zapping urban area from TM imagery”, International Journal of Remote
Sensing, vol. 24, no. 3, pp. 583-594.
Zavala Hidalgo, J. (2006), “Seasoanl upwelling on the Western and Southern shelves of
the Gulf of Mexico”, Ocean Dynamics, Springer-Verlag.
Zavala Hidalgo, J. y A. Fernández Eguiarte (2006), “Propuesta para la regionalización
de los mares mexicanos desde el punto de vista de los procesos físicos: el caso del
Golfo de México”, en Córdova y Vázquez, A. (coords.), Ordenamiento ecológico
marino. Visión temática de la regionalización, INE-SEMARNAT, México.
Zeigler, H. P. and H. J. Bischof (eds.; 1993), Vision, brain, and behaivor in birds, MIT
Press, Cambridge, Massachusetts.
Zhou, G., T. Esaki, Y. Mitani, M. Xie and J. Mori (2003), “Spatial probabilistic mo-
deling of slope failure using an integrated GIS Monte Carlo simulation approach”,
Engineering Geology, no. 68, pp. 373-386.
Temas Selectos de Geomática: métodos y aplicaciones, editado por el
Instituto de Geografía, se terminó de imprimir el 8 de noviembre
de 2012, en los talleres de Lito Roda S.A. de C.V., Escondida, no. 2,
Volcanes, Del. Tlalpan, 14640, , México, D.F.
El tiraje consta de 500 ejemplares impresos en offset sobre papel
cultural de 90 gramos para interiores y couché de 250 gramos para
los forros. Para la formación de galeras se usó la fuente tipográfica
Adobe Garamond Pro, en 9.5/10, 10/12, 11.2/12.7 y 16/19 puntos.
Edición realizada a cargo de la Sección Editorial del Instituto
de Geografía de la Universidad Nacional Autónoma de México.
Revisión y corrección de estilo: Martha Pavón.
Diseño y formación de galeras: Laura Diana López Ascencio, con la
colaboración de Diana Chávez González. Foto de portada: Armando
Peralta Higuera.

38 3 114 1 10 20170217

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

38 3 114 1 10 20170217

Cargado por

Copyright:

Formatos disponibles

Temas Selectos de Geomática: métodos y aplicaciones

José Antonio Quintero Pérez

1. Geomática 2. Imágenes de satélite 3. Fotografías aéreas. I. t., II. UNAM, Instituto

Temas Selectos de Geomática: métodos y aplicaciones

Primera edición, octubre 2012

D.R . © 2012 Universidad Nacional Autónoma de México

Prohibida la reproducción parcial o total

La presente publicación presenta los resultados de una investigación científica y contó

Geografía para el siglo XXI (Obra general)

Impreso y hecho en México

Capítulo 1. Mosaicos ortorectificados generados a partir…………………… 15

Capítulo 2. Evaluación práctica y teórica de los modelos……………………… 47

Capítulo 3. Aplicaciones oceanográficas de las imágenes…………………… 77

Capítulo 4. Utilización de imágenes aéreas digitales………………………… 91

Capítulo 6. Aplicación del software FROG_V2……………………………… 151

Capítulo 7. Reconocimiento automatizado de las zonas…………………… 183

Capítulo 8. Reconstitución tridimensional de un paleo-relieve.…………… 197

Capítulo 9. Análisis de cambios con fotografías…………………………… 217

Capítulo 10. Ajustes del algoritmo AQM2008……………………………… 231

Capítulo 11. Observaciones satelitales e in situ de un evento……………… 245

Para el Instituto de Geografía de la UNAM es muy satisfactorio presentar este

Dr. José Omar Moncada Maya

Este libro emerge como consecuencia de su predecesor (Aguirre, 2009)1 y de la

1Aguirre Gómez, R. (coord.; 2009), Conceptos de Geomática y estudios de caso en México,

resaltar algunos de los aspectos más importantes de la vegetación, como la clasifi-

José Antonio Quintero Pérez

A lo largo de este capítulo se describen algunas técnicas fotogramétricas

Figura 2. Ejemplo de imágenes multiespectrales RGB (rojo, verde y azul) e IR.

Sistema de adquisición de imágenes

Para la obtención de imágenes de una manera más eficiente, es recomendable

Antena Figura 3. Diagrama de co-

principal efectuar tareas de navegación y determinar el momento de hacer una

Consideraciones para la obtención de imágenes aéreas

En el semiautomático, al enfrentar el usuario problemas durante el levanta-

Para la obtención de imágenes aéreas digitales de alta resolución con cámaras no

¿Cómo se calculan los parámetros de vuelo, resolución, altura, distancia entre

Por semejanza de triángulos se tienen: ƒ

ƒ = distancia focal calibrada,

Despejando, se tiene que el tamaño de píxel en el terreno es:

Figura 4. Relaciones funda-

Res = Pixelµ ( ) (1a)

La distancia focal calibrada se obtiene en el laboratorio mediante el método

Con la cobertura horizontal sobre el terreno (Ater) y la información del

Figura 5. Hoja de cálculo

En la parte superior izquierda de esta hoja de cálculo se encuentran los datos

Figura 6. Visualización del

Figura 7. Pantalla de modo

Una vez introducidos todos los elementos necesarios, el programa calcula y

Las cámaras de formato pequeño ofrecen una manera de obtener imágenes

práctica de obtenerla. La distorsión radial simétrica es aquella componente que

Método de calibración empleado

focal hacia el lente y hacia el patrón de pruebas; corroborando que existiera la

Otra manera práctica de obtener la distancia focal verdadera, es tomando

∆r = k1r1 + k2r 3 + k3r5 + k4r 7 (3)

∆r es la distorsión radial simétrica del lente,

r es la distancia radial medida desde el punto principal,

Figura 9. Una vez empalma-

Figura 10. Imagen corregida

un valor de desplazamiento, para ello se efectúa la medición tomando en cuenta

ortorectificado; ya que los objetos se encontrarán en una posición más cercana a

Formación de mosaicos ortorectificados

Generación de mosaicos ortorectificados

Preparación del sistema. Directorios e imágenes que se utilizarán